FtrlOptimizer

  • class paddle.fluid.optimizer.FtrlOptimizer(learning_rate, l1=0.0, l2=0.0, lr_power=-0.5, parameter_list=None, regularization=None, name=None)[源代码]

该接口实现FTRL (Follow The Regularized Leader) Optimizer.

FTRL 原始论文: ( https://www.eecs.tufts.edu/~dsculley/papers/ad-click-prediction.pdf)

FtrlOptimizer - 图1

  • 参数:
    • learning_rate (float|Variable)- 全局学习率。
    • parameter_list (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。
    • l1 (float，可选) - L1 regularization strength，默认值0.0。
    • l2 (float，可选) - L2 regularization strength，默认值0.0。
    • lr_power (float，可选) - 学习率降低指数，默认值-0.5。
    • regularization - 正则化器，例如 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.

代码示例

  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.     ftrl_optimizer = fluid.optimizer.Ftrl(learning_rate=0.1)
  15.     ftrl_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)

注意：目前, FtrlOptimizer 不支持 sparse parameter optimization。

  • minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)

通过更新parameter_list来添加操作，进而使损失最小化。

该算子相当于backward()和apply_gradients()功能的合体。

  • 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或者Parameter.name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或者Parameter.name组成的集合，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

  • clear_gradients()

注意：

1. 该API只在 Dygraph 模式下生效

清除需要优化的参数的梯度。

代码示例

  1. import paddle.fluid as fluid
  2. import numpy as np
  3.  
  4. with fluid.dygraph.guard():
  5.     value = np.arange(26).reshape(2, 13).astype("float32")
  6.     a = fluid.dygraph.to_variable(value)
  7.     linear = fluid.Linear(13, 5, dtype="float32")
  8.     optimizer = fluid.optimizer.FtrlOptimizer(learning_rate=0.02,
  9.                                               parameter_list=linear.parameters())
  10.     out = linear(a)
  11.     out.backward()
  12.     optimizer.minimize(out)
  13.     optimizer.clear_gradients()
  • current_step_lr()

注意：

1. 该API只在 Dygraph 模式下生效

获取当前步骤的学习率。当不使用LearningRateDecay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：当前步骤的学习率。

返回类型：float

代码示例

  1. import paddle.fluid as fluid
  2. import numpy as np
  3.  
  4. # example1: LearningRateDecay is not used, return value is all the same
  5. with fluid.dygraph.guard():
  6.     emb = fluid.dygraph.Embedding([10, 10])
  7.     adam = fluid.optimizer.Adam(0.001, parameter_list = emb.parameters())
  8.     lr = adam.current_step_lr()
  9.     print(lr) # 0.001
  10.  
  11. # example2: PiecewiseDecay is used, return the step learning rate
  12. with fluid.dygraph.guard():
  13.     inp = np.random.uniform(-0.1, 0.1, [10, 10]).astype("float32")
  14.     linear = fluid.dygraph.nn.Linear(10, 10)
  15.     inp = fluid.dygraph.to_variable(inp)
  16.     out = linear(inp)
  17.     loss = fluid.layers.reduce_mean(out)
  18.  
  19.     bd = [2, 4, 6, 8]
  20.     value = [0.2, 0.4, 0.6, 0.8, 1.0]
  21.     adam = fluid.optimizer.Adam(fluid.dygraph.PiecewiseDecay(bd, value, 0),
  22.                        parameter_list=linear.parameters())
  23.  
  24.     # first step: learning rate is 0.2
  25.     np.allclose(adam.current_step_lr(), 0.2, rtol=1e-06, atol=0.0) # True
  26.  
  27.     # learning rate for different steps
  28.     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]
  29.     for i in range(12):
  30.         adam.minimize(loss)
  31.         lr = adam.current_step_lr()
  32.         np.allclose(lr, ret[i], rtol=1e-06, atol=0.0) # True