/
envoy.istio
/
mindspore
Обзор
Документация
Войти
/
envoy.istio
/
mindspore
Код
Запросы
0
Пакеты
0
Релизы
0
Аналитика
Безопасность
master
docs/api/api_python/mint/mindspore.mint.optim.AdamW.rst
61 строка
4 KB
wujueying
fix adamw docs
25 июн 2024, 12:21
25 июн 2024, 12:21
42221cc
Код
Авторство
О чём код?
mindspore.mint.optim.AdamW =================================== .. py:class:: mindspore.mint.optim.AdamW(params, lr=1e-3, betas=(0.9, 0.999), eps=1e-8, weight_decay=1e-2, amsgrad=False, *, maximize=False) Adaptive Moment Estimation Weight Decay(AdamW)算法的实现。 .. math:: \begin{aligned} &\textbf{input} : \gamma \text{(lr)}, \: \beta_1, \beta_2 \text{(betas)}, \: \theta_0 \text{(params)}, \: f(\theta) \text{(objective)}, \: \epsilon \text{ (epsilon)} \\ &\hspace{13mm} \lambda \text{(weight decay)}, \: \textit{amsgrad}, \: \textit{maximize} \\ &\textbf{initialize} : m_0 \leftarrow 0 \text{ (first moment)}, v_0 \leftarrow 0 \text{ ( second moment)}, \: \widehat{v_0}^{max}\leftarrow 0 \\[-1.ex] &\textbf{for} \: t=1 \: \textbf{to} \: \ldots \: \textbf{do} \\ &\hspace{5mm}\textbf{if} \: \textit{maximize}: \\ &\hspace{10mm}g_t \leftarrow -\nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{5mm}\textbf{else} \\ &\hspace{10mm}g_t \leftarrow \nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{5mm} \theta_t \leftarrow \theta_{t-1} - \gamma \lambda \theta_{t-1} \\ &\hspace{5mm}m_t \leftarrow \beta_1 m_{t-1} + (1 - \beta_1) g_t \\ &\hspace{5mm}v_t \leftarrow \beta_2 v_{t-1} + (1-\beta_2) g^2_t \\ &\hspace{5mm}\widehat{m_t} \leftarrow m_t/\big(1-\beta_1^t \big) \\ &\hspace{5mm}\widehat{v_t} \leftarrow v_t/\big(1-\beta_2^t \big) \\ &\hspace{5mm}\textbf{if} \: amsgrad \\ &\hspace{10mm}\widehat{v_t}^{max} \leftarrow \mathrm{max}(\widehat{v_t}^{max}, \widehat{v_t}) \\ &\hspace{10mm}\theta_t \leftarrow \theta_t - \gamma \widehat{m_t}/ \big(\sqrt{\widehat{v_t}^{max}} + \epsilon \big) \\ &\hspace{5mm}\textbf{else} \\ &\hspace{10mm}\theta_t \leftarrow \theta_t - \gamma \widehat{m_t}/ \big(\sqrt{\widehat{v_t}} + \epsilon \big) \\ &\bf{return} \: \theta_t \\[-1.ex] \end{aligned} .. warning:: - 这是一个实验性的优化器接口，需要和 `LRScheduler <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore.experimental.html#lrscheduler%E7%B1%BB>`_ 下的动态学习率接口配合使用。 - 对于Ascend，仅Atlas A2以上平台支持。 参数： - **params** (Union[list(Parameter), list(dict)]) - 网络参数的列表或指定了参数组的列表。 - **lr** (float, 可选) - 学习率。默认值：``1e-3``。 - **betas** (Tuple[float, float], 可选) - 动量矩阵的指数衰减率。默认值：``(0.9, 0.999)``。 - **eps** (float, 可选) - 加在分母上的值，以确保数值稳定。必须大于0。默认值：``1e-8``。 - **weight_decay** (float, 可选) - 权重衰减（L2 penalty）。默认值：``1e-2``。 - **amsgrad** (bool, 可选) - 是否使用AMSGrad算法。默认值：``False``。 关键字参数： - **maximize** (bool, 可选) - 是否根据目标函数最大化网络参数。默认值：``False``。 输入： - **gradients** (tuple[Tensor], 可选) - 网络权重的梯度。 异常： - **ValueError** - 学习率不是float。 - **ValueError** - 学习率小于0。 - **ValueError** - `eps` 小于0。 - **ValueError** - `betas` 范围不在[0, 1)之间。 - **ValueError** - `weight_decay` 小于0。