RMSPropOptimizer

  • class paddle.fluid.optimizer.RMSPropOptimizer(learning_rate, rho=0.95, epsilon=1e-06, momentum=0.0, centered=False, regularization=None, name=None)[源代码]

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：[http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf]中的第29张。等式如下所示：

RMSPropOptimizer - 图1

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

RMSPropOptimizer - 图2 。

RMSPropOptimizer - 图3

如果居中为真：

RMSPropOptimizer - 图4

其中，

RMSPropOptimizer - 图5 是超参数，典型值为0.9,0.95等。 RMSPropOptimizer - 图6 是动量术语。 RMSPropOptimizer - 图7 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 RMSPropOptimizer - 图8 ，默认值0.95。
    • epsilon （float，可选） - 等式中的epsilon是平滑项，避免被零除，默认值1e-6。
    • 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。
    • regularization - 正则器项，如 fluid.regularizer.L2DecayRegularizer 。
    • 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

  1. import paddle
  2. import paddle.fluid as fluid
  3. import numpy as np
  4.  
  5. place = fluid.CPUPlace()
  6. main = fluid.Program()
  7. with fluid.program_guard(main):
  8.     x = fluid.layers.data(name='x', shape=[13], dtype='float32')
  9.     y = fluid.layers.data(name='y', shape=[1], dtype='float32')
  10.     y_predict = fluid.layers.fc(input=x, size=1, act=None)
  11.     cost = fluid.layers.square_error_cost(input=y_predict, label=y)
  12.     avg_cost = fluid.layers.mean(cost)
  13.  
  14.     rms_optimizer = fluid.optimizer.RMSProp(learning_rate=0.1)
  15.     rms_optimizer.minimize(avg_cost)
  16.  
  17.     fetch_list = [avg_cost]
  18.     train_reader = paddle.batch(
  19.         paddle.dataset.uci_housing.train(), batch_size=1)
  20.     feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
  21.     exe = fluid.Executor(place)
  22.     exe.run(fluid.default_startup_program())
  23.     for data in train_reader():
  24.         exe.run(main, feed=feeder.feed(data), fetch_list=fetch_list)
  • minimize(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 default_startup_program
    • 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

返回类型： tuple

示例代码

  1. import paddle
  2. import paddle.fluid as fluid
  3. import numpy as np
  4.  
  5. place = fluid.CPUPlace()
  6. main = fluid.Program()
  7. with fluid.program_guard(main):
  8.     x = fluid.layers.data(name='x', shape=[13], dtype='float32')
  9.     y = fluid.layers.data(name='y', shape=[1], dtype='float32')
  10.     y_predict = fluid.layers.fc(input=x, size=1, act=None)
  11.     cost = fluid.layers.square_error_cost(input=y_predict, label=y)
  12.     avg_cost = fluid.layers.mean(cost)
  13.  
  14.     rms_optimizer = fluid.optimizer.RMSProp(learning_rate=0.1)
  15.     rms_optimizer.minimize(avg_cost)
  16.  
  17.     fetch_list = [avg_cost]
  18.     train_reader = paddle.batch(
  19.         paddle.dataset.uci_housing.train(), batch_size=1)
  20.     feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
  21.     exe = fluid.Executor(place)
  22.     exe.run(fluid.default_startup_program())
  23.     for data in train_reader():
  24.         exe.run(main, feed=feeder.feed(data), fetch_list=fetch_list)