LookAhead¶

class paddle.incubate.LookAhead(inner_optimizer, alpha=0.5, k=5, name=None)

此API为论文 Lookahead Optimizer: k steps forward, 1 step back 中Lookahead优化器的实现。 Lookahead保留两组参数：fast_params和slow_params。每次训练迭代中inner_optimizer更新fast_params。 Lookahead每k次训练迭代更新slow_params和fast_params，如下所示：

\[ \begin{align}\begin{aligned}slow\_param_t & = slow\_param_{t-1} + alpha * (fast\_param_{t-1} - slow\_param_{t-1})\\fast\_param_t & = slow\_param_t\end{aligned}\end{align} \]

参数¶

inner_optimizer (inner_optimizer) - 每次迭代更新fast params的优化器。

alpha (float，可选) - Lookahead的学习率。默认值为0.5。

k (int，可选) - slow params每k次迭代更新一次。默认值为5。

name (str，可选) - 一般不需要用户设置这个属性。更多信息请参照 Name 。默认值为None。

代码示例¶

            import numpy as np
import paddle
import paddle.nn as nn

BATCH_SIZE = 16
BATCH_NUM = 4
EPOCH_NUM = 4

IMAGE_SIZE = 784
CLASS_NUM = 10
# define a random dataset
class RandomDataset(paddle.io.Dataset):
    def __init__(self, num_samples):
        self.num_samples = num_samples

    def __getitem__(self, idx):
        image = np.random.random([IMAGE_SIZE]).astype('float32')
        label = np.random.randint(0, CLASS_NUM - 1,
                                (1, )).astype('int64')
        return image, label

    def __len__(self):
        return self.num_samples

class LinearNet(nn.Layer):
    def __init__(self):
        super(LinearNet, self).__init__()
        self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)
        self.bias = self._linear.bias

    @paddle.jit.to_static
    def forward(self, x):
        return self._linear(x)

def train(layer, loader, loss_fn, opt):
    for epoch_id in range(EPOCH_NUM):
        for batch_id, (image, label) in enumerate(loader()):
            out = layer(image)
            loss = loss_fn(out, label)
            loss.backward()
            opt.step()
            opt.clear_grad()
            print("Train Epoch {} batch {}: loss = {}".format(
                epoch_id, batch_id, np.mean(loss.numpy())))

layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
optimizer = paddle.optimizer.SGD(learning_rate=0.1, parameters=layer.parameters())
lookahead = paddle.incubate.LookAhead(optimizer, alpha=0.2, k=5)

# create data loader
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(
    dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    drop_last=True,
    num_workers=2)

train(layer, loader, loss_fn, lookahead)

           

方法¶

step()¶

执行优化器并更新参数一次。

返回

None。

代码示例

             import paddle
import numpy as np

inp = paddle.to_tensor(np.random.random([1, 10]).astype('float32'))
linear = paddle.nn.Linear(10, 1)
out = linear(inp)
loss = paddle.mean(out)
sgd = paddle.optimizer.SGD(learning_rate=0.1,parameters=linear.parameters())
lookahead = paddle.incubate.LookAhead(sgd, alpha=0.2, k=5)
loss.backward()
lookahead.step()
lookahead.clear_grad()

            

minimize(loss, startup_program=None, parameters=None, no_grad_set=None)¶

增加操作以通过更新参数来最小化损失。

参数

loss (Tensor) - 包含要最小化的值的张量。

startup_program (Program，可选) - Program 。在 parameters 中初始化参数。默认值为None，此时将使用 default_startup_program 。

parameters (list，可选) - 列出更新最小化 loss 的 Tensor 或 Tensor.name 。默认值为None，此时所有参数都会被更新。

no_grad_set (set，可选) - 不需要更新的 Tensor 或 Tensor.name 的集合。默认值为None。

返回

tuple: tuple (optimize_ops, params_grads)，由 minimize 添加的操作列表和 (param, grad) 张量对的列表，其中param是参数，grad参数对应的梯度值。在静态图模式中，返回的元组可以传给 Executor.run() 中的 fetch_list 来表示程序剪枝。这样程序在运行之前会通过 feed 和 fetch_list 被剪枝，详情请参考 Executor 。

代码示例

             import paddle
import numpy as np

inp = paddle.to_tensor(np.random.random([1, 10]).astype('float32'))
linear = paddle.nn.Linear(10, 1)
out = linear(inp)
loss = paddle.mean(out)
sgd = paddle.optimizer.SGD(learning_rate=0.1,parameters=linear.parameters())
lookahead = paddle.incubate.LookAhead(sgd, alpha=0.2, k=5)
loss.backward()
lookahead.minimize(loss)
lookahead.clear_grad()

            