forked from huawei/mindspore2022
58 lines
2.2 KiB
ReStructuredText
58 lines
2.2 KiB
ReStructuredText
mindspore.nn.LARS
|
||
==================
|
||
|
||
.. py:class:: mindspore.nn.LARS(*args, **kwargs)
|
||
|
||
使用LARSUpdate算子实现LARS算法。
|
||
|
||
LARS算法采用大量的优化技术。详见论文 `LARGE BATCH TRAINING OF CONVOLUTIONAL NETWORKS <https://arxiv.org/abs/1708.03888>`_。
|
||
|
||
更新公式如下：
|
||
|
||
.. math::
|
||
|
||
\begin{array}{ll} \\
|
||
\lambda = \frac{\theta \text{ * } || \omega || } \\
|
||
{|| g_{t} || \text{ + } \delta \text{ * } || \omega || } \\
|
||
\lambda =
|
||
\begin{cases}
|
||
\min(\frac{\lambda}{\alpha }, 1)
|
||
& \text{ if } clip = True \\
|
||
\lambda
|
||
& \text{ otherwise }
|
||
\end{cases}\\
|
||
g_{t+1} = \lambda * (g_{t} + \delta * \omega)
|
||
\end{array}
|
||
|
||
:math:`\theta` 表示 `coefficient` ，:math:`\omega` 表示网络参数，:math:`g` 表示 `gradients`，:math:`t` 表示当前step，:math:`\delta` 表示 `optimizer` 配置的 `weight_decay` ，:math:`\alpha` 表示 `optimizer` 配置的 `learning_rate` ，:math:`clip` 表示 `use_clip`。
|
||
|
||
|
||
**参数：**
|
||
|
||
- **optimizer** (Optimizer) - 待封装和修改梯度的MindSpore优化器。
|
||
- **epsilon** (float) - 将添加到分母中，提高数值稳定性。默认值：1e-05。
|
||
- **coefficient** (float) - 计算局部学习速率的信任系数。默认值：0.001。
|
||
- **use_clip** (bool) - 计算局部学习速率时是否裁剪。默认值：False。
|
||
- **lars_filter** (Function) - 用于指定使用LARS算法的网络参数。默认值：lambda x: 'LayerNorm' not in x.name and 'bias' not in x.name。
|
||
|
||
**输入：**
|
||
|
||
- **gradients** (tuple[Tensor]) - 优化器中 `params` 的梯度，shape与优化器中的 `params` 相同。
|
||
|
||
|
||
**输出：**
|
||
|
||
Union[Tensor[bool], tuple[Parameter]]，取决于 `optimizer` 的输出。
|
||
|
||
**支持平台：**
|
||
|
||
``Ascend`` ``CPU``
|
||
|
||
**样例：**
|
||
|
||
>>> net = Net()
|
||
>>> loss = nn.SoftmaxCrossEntropyWithLogits()
|
||
>>> opt = nn.Momentum(net.trainable_params(), 0.1, 0.9)
|
||
>>> opt_lars = nn.LARS(opt, epsilon=1e-08, coefficient=0.02)
|
||
>>> model = Model(net, loss_fn=loss, optimizer=opt_lars, metrics=None)
|