LambOptimizer

LambOptimizer

class paddle.fluid.optimizer.LambOptimizer(learning_rate=0.001, lamb_weight_decay=0.01, beta1=0.9, beta2=0.999, epsilon=1e-06, regularization=None, exclude_from_weight_decay_fn=None, name=None)[源代码]

LAMB（Layer-wise Adaptive Moments optimizer for Batching training）优化器 LAMB的优化器旨在不降低精度的前提下增大训练的批量大小，其支持自适应的逐元素更新和精确的分层校正。更多信息请参考 Large Batch Optimization for Deep Learning: Training BERT in 76 minutes 。参数更新如下：

其中

为第一个动量，为第二个动量，为学习率，为 LAMB 权重衰减率。

参数：
- learning_rate (float|Variable) – 用于更新参数的学习率。可以是浮点数，或数据类型为浮点数的 Variable。
- lamb_weight_decay (float) – LAMB权重衰减率。
- beta1 (float) – 第一个动量估计的指数衰减率。
- beta2 (float) – 第二个动量估计的指数衰减率。
- epsilon (float) – 一个小的浮点值，目的是维持数值稳定性。
- regularization (Regularizer) – 一个正则化器，如fluid.regularizer.L1DecayRegularizer。
- exclude_from_weight_decay_fn (function) – 当某个参数作为输入该函数返回值为 True 时，为该参数跳过权重衰减。
- name (str，可选) – 具体用法请参见 cn_api_guide_Name ，一般无需设置，默认值为None。

代码示例

import paddle.fluid as fluid
 
data = fluid.layers.data(name='x', shape=[5], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
cost = fluid.layers.mean(hidden)
 
def exclude_fn(param):
    return param.name.endswith('.b_0')
 
optimizer = fluid.optimizer.Lamb(learning_rate=0.002,
                                 exclude_from_weight_decay_fn=exclude_fn)
optimizer.minimize(cost)

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

代码示例：

import numpy
import paddle.fluid as fluid
 
x = fluid.layers.data(name='X', shape=[13], dtype='float32')
y = fluid.layers.data(name='Y', shape=[1], dtype='float32')
y_predict = fluid.layers.fc(input=x, size=1, act=None)
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
loss = fluid.layers.mean(cost)
adam = fluid.optimizer.LambOptimizer(learning_rate=0.2)
adam.minimize(loss)
 
place = fluid.CPUPlace()
exe = fluid.Executor(place)
 
x = numpy.random.random(size=(10, 13)).astype('float32')
y = numpy.random.random(size=(10, 1)).astype('float32')
exe.run(fluid.default_startup_program())
outs = exe.run(program=fluid.default_main_program(),
               feed={'X': x, 'Y': y},
               fetch_list=[loss.name])