LBFGS¶

class paddle.optimizer. LBFGS ( learning_rate=1.0, max_iter=20, max_eval=None, tolerance_grad=1e-07, tolerance_change=1e-09, history_size=100, line_search_fn=None, parameters=None, weight_decay=None, grad_clip=None, name=None ) [源代码] ¶

LBFGS 使用 L-BFGS 方法对参数进行优化更新，使得 loss 值最小。

L-BFGS 是限制内存的 BFGS 方法，适用于海森矩阵为稠密矩阵、内存开销较大场景。BFGS 参考 minimize_bfgs .

LBFGS 具体原理参考书籍 Jorge Nocedal, Stephen J. Wright, Numerical Optimization, Second Edition, 2006. pp179: Algorithm 7.5 (L-BFGS).

使用方法¶

LBFGS 优化器此实现为类形式，与 Paddle 现有 SGD、Adam 优化器相似。通过调用 backward()计算梯度，并使用 step(closure)更新网络参数，其中 closure 为需要优化的闭包函数。

注解

当前仅支持动态图模式下使用。

参数¶

learning_rate (float，可选) - 学习率，用于参数更新的计算，默认值：1.0。

max_iter (Scalar，可选) - 每个优化单步的最大迭代次数，默认值：20。

max_eval (Scalar，可选) - 每次优化单步中函数计算的最大数量，默认值：max_iter * 1.25。

tolerance_grad (float，可选) - 当梯度的范数小于该值时，终止迭代。当前使用正无穷范数。默认值：1e-5。

tolerance_change (float，可选) - 当函数值/x 值/其他参数两次迭代的改变量小于该值时，终止迭代。默认值：1e-9。

history_size (Scalar，可选) - 指定储存的向量对{si,yi}数量。默认值：100。

line_search_fn (str，可选) - 指定要使用的线搜索方法，目前支持值为'strong wolfe'方法。默认值：'None'。

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。默认值：None。

weight_decay (float|WeightDecayRegularizer，可选) - 正则化方法。可以是 float 类型的 L2 正则化系数或者正则化策略：cn_api_fluid_regularizer_L1Decay 、 cn_api_fluid_regularizer_L2Decay 。如果一个参数已经在 ParamAttr 中设置了正则化，这里的正则化设置将被忽略；如果没有在 ParamAttr 中设置正则化，这里的设置才会生效。默认值为 None，表示没有正则化。

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：None，此时将不进行梯度裁剪。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值：None。

返回¶

loss (Tensor)：迭代终止位置的损失函数值。

代码示例¶

          import paddle
import numpy as np

paddle.disable_static()
np.random.seed(0)
np_w = np.random.rand(1).astype(np.float32)
np_x = np.random.rand(1).astype(np.float32)

inputs = [np.random.rand(1).astype(np.float32) for i in range(10)]
# y = 2x
targets = [2 * x for x in inputs]

class Net(paddle.nn.Layer):
    def __init__(self):
        super().__init__()
        w = paddle.to_tensor(np_w)
        self.w = paddle.create_parameter(shape=w.shape, dtype=w.dtype, default_initializer=paddle.nn.initializer.Assign(w))

    def forward(self, x):
        return self.w * x

net = Net()
opt = paddle.optimizer.LBFGS(learning_rate=1, max_iter=1, max_eval=None, tolerance_grad=1e-07, tolerance_change=1e-09, history_size=100, line_search_fn='strong_wolfe', parameters=net.parameters())
def train_step(inputs, targets):
    def closure():
        outputs = net(inputs)
        loss = paddle.nn.functional.mse_loss(outputs, targets)
        print('loss: ', loss.item())
        opt.clear_grad()
        loss.backward()
        return loss
    opt.step(closure)


for input, target in zip(inputs, targets):
    input = paddle.to_tensor(input)
    target = paddle.to_tensor(target)
    train_step(input, target)

         

方法¶

step(closure)¶

该 API 只在 Dygraph 模式下生效。

执行一次 LBFGS 优化器（包含若干 iter）并进行参数更新。

参数

closure (callable) – 重新评估模型并返回损失的闭包。

返回

无。

代码示例

           import paddle

paddle.disable_static()

inputs = paddle.rand([10, 10], dtype="float32")
targets = paddle.to_tensor([2 * x for x in inputs])

net = paddle.nn.Linear(10, 10)
opt = paddle.optimizer.LBFGS(
    learning_rate=1,
    max_iter=1,
    max_eval=None,
    tolerance_grad=1e-07,
    tolerance_change=1e-09,
    history_size=100,
    line_search_fn='strong_wolfe',
    parameters=net.parameters(),
)

def closure():
    outputs = net(inputs)
    loss = paddle.nn.functional.mse_loss(outputs, targets)
    print("loss:", loss.item())
    opt.clear_grad()
    loss.backward()
    return loss

opt.step(closure)

          

state_dict()¶

该 API 只在 Dygraph 模式下生效。

将优化器当前参数状态保存到字典。

返回

dict，优化器当前各个参数状态。

代码示例

           import paddle

paddle.disable_static()

net = paddle.nn.Linear(10, 10)
opt = paddle.optimizer.LBFGS(
    learning_rate=1,
    max_iter=1,
    max_eval=None,
    tolerance_grad=1e-07,
    tolerance_change=1e-09,
    history_size=100,
    line_search_fn='strong_wolfe',
    parameters=net.parameters(),
)

def train_step(inputs, targets):
    def closure():
        outputs = net(inputs)
        loss = paddle.nn.functional.mse_loss(outputs, targets)
        opt.clear_grad()
        loss.backward()
        return loss

    opt.step(closure)

inputs = paddle.rand([10, 10], dtype="float32")
targets = paddle.to_tensor([2 * x for x in inputs])

n_iter = 0
while n_iter < 20:
    loss = train_step(inputs, targets)
    n_iter = opt.state_dict()["state"]["func_evals"]
    print("n_iter:", n_iter)

          