Adadelta

    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 。

    更新公式如下：

    参数：

    • learning_rate (float|_LRScheduleri, 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

    • epsilon (float, 可选) - 保持数值稳定性的短浮点类型值，默认值为1e-06

    • rho (float, 可选) - 算法中的衰减率，默认值为0.95。

    • 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_GradientClipByGlobalNorm 、 cn_api_fluid_clip_GradientClipByNorm 、 cn_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

    Adadelta优化器出自 DECOUPLED WEIGHT DECAY REGULARIZATION 论文 <

    代码示例

    step ( )

    执行一次优化器并进行参数更新。

    返回：None。

    代码示例

    1. import paddle
    2. value = paddle.arange(26, dtype='float32')
    3. a = paddle.reshape(value, [2, 13])
    4. linear = paddle.nn.Linear(13, 5)
    5. adadelta = paddle.optimizer.Adadelta(learning_rate=0.0003, epsilon=1.0e-6, rho=0.95,
    6.                             parameters = linear.parameters())
    7. out = linear(a)
    8. out.backward()
    9. adadelta.step()
    10. adadelta.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

    • 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

    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 feed 和 fetch_list 进行剪枝，详见 Executor 的文档。

    代码示例

    clear_grad ( )

    注意：

    清除需要优化的参数的梯度。

    代码示例

    1. import paddle
    4. a = paddle.reshape(value, [2, 13])
    5. linear = paddle.nn.Linear(13, 5)
    6. optimizer = paddle.optimizer.Adadelta(learning_rate=0.0003, epsilon=1.0e-6, rho=0.95,
    7.                                  parameters=linear.parameters())
    8. out = linear(a)
    9. out.backward()
    10. optimizer.step()
    11. optimizer.clear_grad()

    set_lr ( value )

    注意：

    手动设置当前 optimizer 的学习率。当使用_LRScheduler时，无法使用该API手动设置学习率，因为这将导致冲突。

    参数：

    value (float) - 需要设置的学习率的值。

    返回：None

    代码示例

    get_lr ( )

    注意：

    获取当前步骤的学习率。当不使用_LRScheduler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：float，当前步骤的学习率。

    1. import numpy as np
    2. import paddle
    3. # example1: _LRScheduler is not used, return value is all the same
    4. emb = paddle.nn.Embedding(10, 10, sparse=False)
    5. adadelta = paddle.optimizer.Adadelta(learning_rate=0.001, parameters = emb.parameters(),weight_decay=0.01)
    6. lr = adadelta.get_lr()
    7. print(lr) # 0.001
    9. # example2: PiecewiseDecay is used, return the step learning rate
    11. inp = paddle.to_tensor(inp)
    12. out = linear(inp)
    13. loss = paddle.mean(out)
    15. bd = [2, 4, 6, 8]
    16. value = [0.2, 0.4, 0.6, 0.8, 1.0]
    17. scheduler = paddle.optimizer.lr.PiecewiseDecay(bd, value, 0)
    18. adadelta = paddle.optimizer.Adadelta(scheduler,
    19.                        parameters=linear.parameters(),
    20.                        weight_decay=0.01)
    22. # first step: learning rate is 0.2
    23. np.allclose(adadelta.get_lr(), 0.2, rtol=1e-06, atol=0.0) # True
    25. # learning rate for different steps
    26. ret = [0.2, 0.2, 0.4, 0.4, 0.6, 0.6, 0.8, 0.8, 1.0, 1.0, 1.0, 1.0]
    27. for i in range(12):
    28.     adadelta.step()
    29.     lr = adadelta.get_lr()
    30.     np.allclose(lr, ret[i], rtol=1e-06, atol=0.0) # True