SGD

class paddle.optimizer. SGD ( learning_rate=0.001, parameters=None, weight_decay=None, grad_clip=None, name=None ) [源代码]

该接口实现随机梯度下降算法的优化器

\[\begin{split}\\param\_out=param-learning\_rate*grad\\\end{split}\]

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: cn_api_fluid_clip_GradientClipByGlobalNormcn_api_fluid_clip_GradientClipByNormcn_api_fluid_clip_GradientClipByValue 。 默认值为None,此时将不进行梯度裁剪。

  • 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

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())
out.backward()
sgd.step()
sgd.clear_grad()
step ( )

注意:

1. 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:None。

代码示例

import paddle
value = paddle.arange(26, dtype='float32')
a = paddle.reshape(value, [2, 13])
linear = paddle.nn.Linear(13, 5)
sgd = paddle.optimizer.SGD(learning_rate=0.0003, parameters = linear.parameters())
out = linear(a)
out.backward()
sgd.step()
sgd.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 feedfetch_list 进行剪枝,详见 Executor 的文档。

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)
out = linear(inp)
loss = paddle.mean(out)

beta1 = paddle.to_tensor([0.9], dtype="float32")
beta2 = paddle.to_tensor([0.99], dtype="float32")

sgd = paddle.optimizer.SGD(learning_rate=0.0003, parameters=linear.parameters())
out.backward()
sgd.minimize(loss)
sgd.clear_grad()
clear_grad ( )

注意:

1. 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

value = paddle.arange(26, dtype='float32')
a = paddle.reshape(value, [2, 13])
linear = paddle.nn.Linear(13, 5)
optimizer = paddle.optimizer.SGD(learning_rate=0.0003,
                                 parameters=linear.parameters())
out = linear(a)
out.backward()
optimizer.step()
optimizer.clear_grad()
set_lr ( value )

注意:

1. 该API只在 Dygraph 模式下生效