AdamaxOptimizer

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

其参数更新的计算公式如下:

相关论文：

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
  • epsilon (float, 可选) - 保持数值稳定性的短浮点类型值，默认值为1e-08
  • regularization (WeightDecayRegularizer, 可选) - 正则化函数，用于减少泛化误差。例如可以是 L2DecayRegularizer ，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 ，默认值为None

注解

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：
• • loss (Variable) – 需要最小化的损失值变量
  • startup_program (Program, 可选) – 用于初始化parameter_list中参数的 Program , 默认值为None，此时将使用
  • parameter_list (list, 可选) – 待更新的Parameter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的集合，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

代码示例：

import numpy
import paddle.fluid as fluid
 
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
loss = fluid.layers.mean(hidden)
adam = fluid.optimizer.Adamax(learning_rate=0.2)
adam.minimize(loss)
 
place = fluid.CPUPlace() # fluid.CUDAPlace(0)
exe = fluid.Executor(place)
 
x = numpy.random.random(size=(10, 1)).astype('float32')
exe.run(fluid.default_startup_program())
outs = exe.run(program=fluid.default_main_program(),
               feed={'X': x},