AdamaxOptimizer

    • class AdamaxOptimizer(learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, parameter_list=None, regularization=None, name=None)[源代码]

    其参数更新的计算公式如下:

    AdamaxOptimizer - 图2

    AdamaxOptimizer - 图4

    论文中没有 参数。但是，为了保持数值稳定性， 避免除0错误， 此处增加了这个参数。

    • 参数：
      • learning_rate (float|Variable，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值为浮点型的Variable，默认值为0.001
      • beta1 (float, 可选) - 一阶矩估计的指数衰减率，默认值为0.9
      • beta2 (float, 可选) - 二阶矩估计的指数衰减率，默认值为0.999
      • parameter_list (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。
      • regularization (WeightDecayRegularizer, 可选) - 正则化函数，用于减少泛化误差。例如可以是 ，默认值为None
      • 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

    目前 AdamaxOptimizer 不支持 Sparse Parameter Optimization（稀疏参数优化）。

    代码示例：

    • (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：
      • startup_program (Program, 可选) – 用于初始化parameter_list中参数的 , 默认值为None，此时将使用 default_startup_program
      • parameter_list (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

    • clear_gradients()

    注意：

    清除需要优化的参数的梯度。

    代码示例

    • ()

    注意：

    1. 该API只在 模式下生效

    获取当前步骤的学习率。当不使用LearningRateDecay时，每次调用的返回值都相同，否则返回当前步骤的学习率。

    返回：当前步骤的学习率。

    代码示例