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。
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¶
import paddle
inp = paddle.uniform(min=-0.1, max=0.1, shape=[10, 10], dtype='float32')
linear = paddle.nn.Linear(10, 10)
inp = paddle.to_tensor(inp)
out = linear(inp)
loss = paddle.mean(out)
sgd = paddle.optimizer.SGD(learning_rate=0.1, parameters=linear.parameters(), weight_decay=0.01)
out.backward()
sgd.step()
sgd.clear_grad()
方法¶
step()¶
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
无。
代码示例
import paddle
value = paddle.arange(26, dtype='float32')
a = paddle.reshape(value, [2, 13])
linear = paddle.nn.Linear(13, 5)
sgd = paddle.optimizer.SGD(learning_rate=0.0003, parameters = linear.parameters())
out = linear(a)
out.backward()
sgd.step()
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
import paddle
inp = paddle.uniform(min=-0.1, max=0.1, shape=[10, 10], dtype='float32')
linear = paddle.nn.Linear(10, 10)
out = linear(inp)
loss = paddle.mean(out)
beta1 = paddle.to_tensor([0.9], dtype="float32")
beta2 = paddle.to_tensor([0.99], dtype="float32")
sgd = paddle.optimizer.SGD(learning_rate=0.0003, parameters=linear.parameters())
out.backward()
sgd.minimize(loss)
sgd.clear_grad()
clear_grad()¶
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
import paddle
value = paddle.arange(26, dtype='float32')
a = paddle.reshape(value, [2, 13])
linear = paddle.nn.Linear(13, 5)
optimizer = paddle.optimizer.SGD(learning_rate=0.0003,
parameters=linear.parameters())
out = linear(a)
out.backward()
optimizer.step()
optimizer.clear_grad()