AdadeltaOptimizer

class paddle.fluid.optimizer.AdadeltaOptimizer(learning_rate, epsilon=1.0e-6, rho=0.95, regularization=None, name=None)[源代码]

注意:此接口不支持稀疏参数更新。

Adadelta优化器,具体细节可参考论文 ADADELTA: AN ADAPTIVE LEARNING RATE METHOD

更新公式如下:

\[\begin{split}E(g_t^2) &= \rho * E(g_{t-1}^2) + (1-\rho) * g^2\\ learning\_rate &= \sqrt{ ( E(dx_{t-1}^2) + \epsilon ) / ( E(g_t^2) + \epsilon ) }\\ E(dx_t^2) &= \rho * E(dx_{t-1}^2) + (1-\rho) * (-g*learning\_rate)^2\end{split}\]
参数:
  • learning_rate (float|Variable) - 全局学习率。
  • epsilon (float) - 维持数值稳定性的浮点型值,默认值为1.0e-6。
  • rho (float) - 算法中的衰减率,默认值为0.95。
  • regularization (WeightDecayRegularizer,可选) - 正则化方法,例如fluid.regularizer.L2DecayRegularizer等。默认值为None,表示无正则化。
  • 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.fluid as fluid

image = fluid.layers.data(name='image', shape=[28], dtype='float32')
fc = fluid.layers.fc(image, size=10)
cost = fluid.layers.reduce_mean(fc)
optimizer = fluid.optimizer.AdadeltaOptimizer(
    learning_rate=0.0003, epsilon=1.0e-6, rho=0.95)
optimizer_ops, params_grads = optimizer.minimize(cost)
minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)

为训练网络添加反向和参数优化部分,进而使损失最小化。

参数:
  • loss (Variable) – 优化器的损失变量。
  • startup_program (Program,可选) – 参数所在的startup program。默认值为None,表示 default_startup_program
  • parameter_list (list(Variable),可选) – 待更新的参数列表。默认值为None,表示所有参数均需要更新。
  • no_grad_set (set,可选) – 无需计算梯度的变量集合。默认值为None,表示所有变量均需计算梯度。
  • grad_clip (GradClipBase,可选) – 梯度裁剪的策略,目前仅在动态图模式下有效。

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。

返回类型: tuple

代码示例

import paddle.fluid as fluid

image = fluid.layers.data(name='image', shape=[28], dtype='float32')
fc = fluid.layers.fc(image, size=10)
cost = fluid.layers.reduce_mean(fc)
optimizer = fluid.optimizer.AdadeltaOptimizer(
    learning_rate=0.0003, epsilon=1.0e-6, rho=0.95)
optimizer_ops, params_grads = optimizer.minimize(cost)