SGD¶
- class paddle.optimizer. SGD ( learning_rate=0.001, parameters=None, weight_decay=None, grad_clip=None, name=None ) [源代码] ¶
随机梯度下降算法的优化器。
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 parameters 中的 Parameters，最小化网络损失值 loss。
参数¶
learning_rate (float|_LRScheduler，可选) - 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_LRScheduler 类，默认值为 0.001。
parameters (list，可选) - 指定优化器需要优化的参数。在动态图模式下必须提供该参数；在静态图模式下默认值为 None，这时所有的参数都将被优化。
weight_decay (float|Tensor，可选) - 权重衰减系数，是一个 float 类型或者 shape 为[1]，数据类型为 float32 的 Tensor 类型。默认值为 0.01。
grad_clip (GradientClipBase，可选) – 梯度裁剪的策略，支持三种裁剪策略：paddle.nn.ClipGradByGlobalNorm 、 paddle.nn.ClipGradByNorm 、 paddle.nn.ClipGradByValue 。 默认值为 None，此时将不进行梯度裁剪。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。
代码示例¶
>>> import paddle
>>> inp = paddle.uniform(min=-0.1, max=0.1, shape=[10, 10], dtype='float32')
>>> linear = paddle.nn.Linear(10, 10)
>>> inp = paddle.to_tensor(inp)
>>> out = linear(inp)
>>> loss = paddle.mean(out)
>>> sgd = paddle.optimizer.SGD(learning_rate=0.1, parameters=linear.parameters(), weight_decay=0.01)
>>> out.backward()
>>> sgd.step()
>>> sgd.clear_grad()
方法¶
step()¶
该 API 只在 Dygraph 模式下生效。
执行一次优化器并进行参数更新。
返回
无。
代码示例
>>> import paddle
>>> a = paddle.arange(26, dtype="float32").reshape([2, 13])
>>> linear = paddle.nn.Linear(13, 5)
>>> # This can be any optimizer supported by dygraph.
>>> adam = paddle.optimizer.Adam(learning_rate = 0.01,
... parameters = linear.parameters())
>>> out = linear(a)
>>> out.backward()
>>> adam.step()
>>> adam.clear_grad()
minimize(loss, startup_program=None, parameters=None, no_grad_set=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 parameters 中的 Parameters，最小化网络损失值 loss。
参数
loss (Tensor) - 需要最小化的损失值变量。
startup_program (Program，可选) - 用于初始化 parameters 中参数的 Program，默认值为 None，此时将使用 default_startup_program。
parameters (list，可选) - 待更新的 Parameter 或者 Parameter.name 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 或者 Parameter.name 组成的集合，默认值为 None。
返回
tuple(optimize_ops, params_grads)，其中 optimize_ops 为参数优化 OP 列表；param_grads 为由(param, param_grad)组成的列表，其中 param 和 param_grad 分别为参数和参数的梯度。在静态图模式下，该返回值可以加入到
Executor.run()接口的fetch_list参数中，若加入，则会重写use_prune参数为 True，并根据feed和fetch_list进行剪枝，详见Executor的文档。
代码示例
>>> import paddle
>>> linear = paddle.nn.Linear(10, 10)
>>> input = paddle.uniform(shape=[10, 10], min=-0.1, max=0.1)
>>> out = linear(input)
>>> loss = paddle.mean(out)
>>> beta1 = paddle.to_tensor([0.9], dtype="float32")
>>> beta2 = paddle.to_tensor([0.99], dtype="float32")
>>> adam = paddle.optimizer.Adam(learning_rate=0.1,
... parameters=linear.parameters(),
... weight_decay=0.01)
>>> loss.backward()
>>> adam.minimize(loss)
>>> adam.clear_grad()
clear_grad()¶
该 API 只在 Dygraph 模式下生效。
清除需要优化的参数的梯度。
代码示例
>>> import paddle
>>> a = paddle.arange(26, dtype="float32").reshape([2, 13])
>>> linear = paddle.nn.Linear(13, 5)
>>> # This can be any optimizer supported by dygraph.
>>> adam = paddle.optimizer.Adam(learning_rate = 0.01,
... parameters = linear.parameters())
>>> out = linear(a)
>>> out.backward()
>>> adam.step()
>>> adam.clear_grad()