DecayedAdagradOptimizer

  • class paddle.fluid.optimizer.DecayedAdagradOptimizer(learning_rate, decay=0.95, epsilon=1e-06, regularization=None, name=None)[源代码]

Decayed Adagrad优化器，可以看做是引入了衰减率的 Adagrad 算法，用于解决使用 AdagradOptimizer 优化器时，在模型训练中后期学习率急剧下降的问题。

其参数更新的计算公式如下：

DecayedAdagradOptimizer - 图1

DecayedAdagradOptimizer - 图2

在原论文中没有 epsilon 参数。但是，为了保持数值稳定性， 防止除0错误， 此处增加了这个参数。

相关论文：Adaptive Subgradient Methods for Online Learning and Stochastic Optimization

  • 参数：
    • learning_rate (float|Variable) - 学习率，用于参数更新的计算。可以是一个浮点型值或者一个值为浮点型的Variable
    • decay (float，可选) – 衰减率，默认值为0.95
    • regularization (WeightDecayRegularizer, 可选) - 正则化函数，用于减少泛化误差。例如可以是 L2DecayRegularizer ，默认值为None
    • epsilon (float，可选) - 保持数值稳定性的短浮点类型值，默认值为1e-06
    • name (str, 可选)- 该参数供开发人员打印调试信息时使用，具体用法请参见 Name ，默认值为None

注解

当前， DecayedAdagradOptimizer 不支持Sparse Parameter Optimization（稀疏参数优化）

代码示例

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  3. from paddle.fluid.optimizer import DecayedAdagrad
  4.  
  5. x = layers.data( name='x', shape=[-1, 10], dtype='float32' )
  6. trans = layers.fc( x, 100 )
  7. cost = layers.reduce_mean( trans )
  8. optimizer = fluid.optimizer.DecayedAdagradOptimizer(learning_rate=0.2)
  9. optimizer.minimize(cost)
  • minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)

为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。

  • 参数：
    • loss (Variable) – 需要最小化的损失值变量
    • startup_program (Program, 可选) – 用于初始化parameter_list中参数的 Program , 默认值为None，此时将使用 default_startup_program
    • parameter_list (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
    • no_grad_set (set, 可选) – 不需要更新的Parameter的集合，默认值为None
    • grad_clip (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None

返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值

返回类型： tuple

代码示例

  1. import numpy as np
  2. import paddle.fluid as fluid
  3.  
  4. inp = fluid.layers.data(
  5.     name="inp", shape=[2, 2], append_batch_size=False)
  6. out = fluid.layers.fc(inp, size=3)
  7. out = fluid.layers.reduce_sum(out)
  8. optimizer = fluid.optimizer.DecayedAdagrad(learning_rate=0.2)
  9. optimizer.minimize(out)
  10.  
  11. np_inp = np.array([[1.0, 2.0], [3.0, 4.0]], dtype=np.float32)
  12. exe = fluid.Executor(fluid.CPUPlace())
  13. exe.run(fluid.default_startup_program())
  14. exe.run(
  15.     feed={"inp": np_inp},
  16.     fetch_list=[out.name])