SGD

    该接口实现随机梯度下降算法的优化器

    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:

    • learning_rate (float|_LRScheduler, 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

    • 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。

    • 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 ，默认值为None

    代码示例

    注意：

    执行一次优化器并进行参数更新。

    返回：None。

    代码示例

    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：

    • 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

    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 接口的 fetch_list 参数中，若加入，则会重写 use_prune 参数为True，并根据 和 fetch_list 进行剪枝，详见 Executor 的文档。

    代码示例

    ( )

    注意：

    清除需要优化的参数的梯度。

    代码示例

    set_lr ( value )

    注意：