RMSProp

该接口实现均方根传播（RMSProp）法，是一种未发表的,自适应学习率的方法。原演示幻灯片中提出了RMSProp：[]中的第29张。等式如下所示：

第一个等式计算每个权重平方梯度的移动平均值，然后将梯度除以

。

如果居中为真：

其中，

是超参数，典型值为0.9,0.95等。

是动量术语。

是一个平滑项，用于避免除零，通常设置在1e-4到1e-8的范围内。

参数：

• learning_rate （float） - 全局学习率。

• rho （float，可选） - rho是等式中的

  

  ，默认值0.95。

• momentum （float，可选） - 方程中的β是动量项，默认值0.0。

• centered （bool，可选） - 如果为True，则通过梯度的估计方差,对梯度进行归一化；如果False，则由未centered的第二个moment归一化。将此设置为True有助于模型训练，但会消耗额外计算和内存资源。默认为False。

• 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|WeightDecayRegularizer，可选) - 正则化方法。可以是float类型的L2正则化系数或者正则化策略: L1Decay 、 。如果一个参数已经在 ParamAttr 中设置了正则化，这里的正则化设置将被忽略； 如果没有在 中设置正则化，这里的设置才会生效。默认值为None，表示没有正则化。

• 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) - 可选的名称前缀，一般无需设置，默认值为None。

抛出异常:

• ValueError -如果 learning_rate ， rho ， epsilon ， momentum 为None。

示例代码

step ( )

注意：

执行一次优化器并进行参数更新。

返回：None。

代码示例

import paddle
a = paddle.rand([2,13], dtype="float32")
linear = paddle.nn.Linear(13, 5)
rmsprop = paddle.optimizer.RMSProp(learning_rate = 0.01,
                            parameters = linear.parameters())
out = linear(a)
out.backward()
rmsprop.step()
rmsprop.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

• 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 的文档。

示例代码

clear_gradients ( )

注意：

清除需要优化的参数的梯度。

代码示例

import paddle
a = paddle.rand([2,13], dtype="float32")
linear = paddle.nn.Linear(13, 5)
rmsprop = paddle.optimizer.RMSProp(learning_rate=0.02,
                                 parameters=linear.parameters())
out = linear(a)
out.backward()
rmsprop.step()
rmsprop.clear_gradients()

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。

import paddle
import numpy as np
# example1: _LRScheduler is not used, return value is all the same
emb = paddle.nn.Embedding(10, 10, sparse=False)
rmsprop = paddle.optimizer.RMSProp(0.001, parameters = emb.parameters())
lr = rmsprop.get_lr()
print(lr) # 0.001
linear = paddle.nn.Linear(10, 10)
inp = paddle.rand([10,10], dtype="float32")
out = linear(inp)
loss = paddle.mean(out)
bd = [2, 4, 6, 8]
value = [0.2, 0.4, 0.6, 0.8, 1.0]
scheduler = paddle.optimizer.lr.StepDecay(learning_rate=0.5, step_size=2, gamma=0.1)
rmsprop = paddle.optimizer.RMSProp(scheduler,
                       parameters=linear.parameters())
# first step: learning rate is 0.2
np.allclose(rmsprop.get_lr(), 0.2, rtol=1e-06, atol=0.0) # True
# learning rate for different steps
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]
for i in range(12):
    rmsprop.step()
    lr = rmsprop.get_lr()
    scheduler.step()