SGD

class paddle.optimizer. SGD ( learning_rate=0.001, parameters=None, weight_decay=None, grad_clip=None, name=None ) [源代码]

该接口实现随机梯度下降算法的优化器

SGD - 图1

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。

  • weight_decay (float|Tensor, 可选) - 权重衰减系数，是一个float类型或者shape为[1] ，数据类型为float32的Tensor类型。默认值为0.01

  • grad_clip (GradientClipBase, 可选) – 梯度裁剪的策略，支持三种裁剪策略： paddle.nn.ClipGradByGlobalNorm 、 paddle.nn.ClipGradByNorm 、 paddle.nn.ClipGradByValue 。 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 Name ，默认值为None

代码示例

  1. import paddle
  3. inp = paddle.uniform(min=-0.1, max=0.1, shape=[10, 10], dtype='float32')
  4. linear = paddle.nn.Linear(10, 10)
  5. inp = paddle.to_tensor(inp)
  6. out = linear(inp)
  7. loss = paddle.mean(out)
  8. sgd = paddle.optimizer.SGD(learning_rate=0.1, parameters=linear.parameters())
  9. out.backward()
  10. sgd.step()
  11. sgd.clear_grad()

step ( )

注意：

1. 该API只在 Dygraph 模式下生效

执行一次优化器并进行参数更新。

返回：None。

代码示例

  1. import paddle
  2. value = paddle.arange(26, dtype='float32')
  3. a = paddle.reshape(value, [2, 13])
  4. linear = paddle.nn.Linear(13, 5)
  5. sgd = paddle.optimizer.SGD(learning_rate=0.0003, parameters = linear.parameters())
  6. out = linear(a)
  7. out.backward()
  8. sgd.step()
  9. sgd.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

  • 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 default_startup_program

  • 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

  • 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

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 Executor 的文档。

代码示例

  1. import paddle
  3. inp = paddle.uniform(min=-0.1, max=0.1, shape=[10, 10], dtype='float32')
  4. linear = paddle.nn.Linear(10, 10)
  5. out = linear(inp)
  6. loss = paddle.mean(out)
  8. beta1 = paddle.to_tensor([0.9], dtype="float32")
  9. beta2 = paddle.to_tensor([0.99], dtype="float32")
  11. sgd = paddle.optimizer.SGD(learning_rate=0.0003, parameters=linear.parameters())
  12. out.backward()
  13. sgd.minimize(loss)
  14. sgd.clear_grad()

clear_grad ( )

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
  3. value = paddle.arange(26, dtype='float32')
  4. a = paddle.reshape(value, [2, 13])
  5. linear = paddle.nn.Linear(13, 5)
  6. optimizer = paddle.optimizer.SGD(learning_rate=0.0003,
  7.                                  parameters=linear.parameters())
  8. out = linear(a)
  9. out.backward()
  10. optimizer.step()
  11. optimizer.clear_grad()

set_lr ( value )

注意：

1. 该API只在 Dygraph 模式下生效

使用本API的教程文档