RMSProp¶

class paddle.optimizer. RMSProp ( learning_rate, rho=0.95, epsilon=1e-06, momentum=0.0, centered=False, parameters=None, weight_decay=None, grad_clip=None, name=None ) [源代码] ¶

该接口实现均方根传播（RMSProp）法，是一种未发表的,自适应学习率的方法。原演示幻灯片中提出了RMSProp：[http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf]中的第29张。等式如下所示：

\[\begin{split}r(w, t) & = \rho r(w, t-1) + (1 - \rho)(\nabla Q_{i}(w))^2\\ w & = w - \frac{\eta} {\sqrt{r(w,t) + \epsilon}} \nabla Q_{i}(w)\end{split}\]

第一个等式计算每个权重平方梯度的移动平均值，然后将梯度除以 \(sqrtv（w，t）\) 。

\[\begin{split}r(w, t) & = \rho r(w, t-1) + (1 - \rho)(\nabla Q_{i}(w))^2\\ v(w, t) & = \beta v(w, t-1) +\frac{\eta} {\sqrt{r(w,t) +\epsilon}} \nabla Q_{i}(w)\\ w & = w - v(w, t)\end{split}\]

如果居中为真：

\[\begin{split}r(w, t) & = \rho r(w, t-1) + (1 - \rho)(\nabla Q_{i}(w))^2\\ g(w, t) & = \rho g(w, t-1) + (1 -\rho)\nabla Q_{i}(w)\\ v(w, t) & = \beta v(w, t-1) + \frac{\eta} {\sqrt{r(w,t) - (g(w, t))^2 +\epsilon}} \nabla Q_{i}(w)\\ w & = w - v(w, t)\end{split}\]

其中， \(ρ\) 是超参数，典型值为0.9,0.95等。 \(beta\) 是动量术语。 \(epsilon\) 是一个平滑项，用于避免除零，通常设置在1e-4到1e-8的范围内。

参数：

learning_rate （float） - 全局学习率。
rho （float，可选） - rho是等式中的 \(rho\) ，默认值0.95。
epsilon （float，可选） - 等式中的epsilon是平滑项，避免被零除，默认值1e-6。
momentum （float，可选） - 方程中的β是动量项，默认值0.0。
centered （bool，可选） - 如果为True，则通过梯度的估计方差,对梯度进行归一化；如果False，则由未centered的第二个moment归一化。将此设置为True有助于模型训练，但会消耗额外计算和内存资源。默认为False。
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|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 。默认值为None，此时将不进行梯度裁剪。
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。

示例代码

         import paddle

inp = paddle.rand([10,10], dtype="float32")
linear = paddle.nn.Linear(10, 10)
out = linear(inp)
loss = paddle.mean(out)

rmsprop = paddle.optimizer.RMSProp(learning_rate=0.1,
        parameters=linear.parameters(),
        weight_decay=0.01)
out.backward()
rmsprop.step()
rmsprop.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

         import paddle
a = paddle.rand([2,13], dtype="float32")
linear = paddle.nn.Linear(13, 5)
rmsprop = paddle.optimizer.RMSProp(learning_rate = 0.01,
                            parameters = linear.parameters())
out = linear(a)
out.backward()
rmsprop.step()
rmsprop.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。

示例代码

         import paddle

inp = paddle.rand([10,10], dtype="float32")
linear = paddle.nn.Linear(10, 10)
out = linear(inp)
loss = paddle.mean(out)

rmsprop = paddle.optimizer.RMSProp(learning_rate=0.1,
        parameters=linear.parameters(),
        weight_decay=0.01)
out.backward()
rmsprop.step()
rmsprop.clear_grad()

        

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

         import paddle

a = paddle.rand([2,13], dtype="float32")
linear = paddle.nn.Linear(13, 5)
rmsprop = paddle.optimizer.RMSProp(learning_rate=0.02,
                                 parameters=linear.parameters())
out = linear(a)
out.backward()
rmsprop.step()
rmsprop.clear_gradients()

        

set_lr ( value ) ¶

注意：

1. 该API只在 Dygraph 模式下生效

手动设置当前 optimizer 的学习率。当使用_LRScheduler时，无法使用该API手动设置学习率，因为这将导致冲突。

参数：: value (float) - 需要设置的学习率的值。

返回：None

代码示例

         import paddle

linear = paddle.nn.Linear(10, 10)
rmsprop = paddle.optimizer.RMSProp(0.1, parameters=linear.parameters())

# set learning rate manually by python float value
lr_list = [0.2, 0.3, 0.4, 0.5, 0.6]
for i in range(5):
    rmsprop.set_lr(lr_list[i])
    lr = rmsprop.get_lr()
    print("current lr is {}".format(lr))
# Print:
#    current lr is 0.2
#    current lr is 0.3
#    current lr is 0.4
#    current lr is 0.5
#    current lr is 0.6

        

get_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_LRScheduler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：float，当前步骤的学习率。

代码示例

         import paddle
import numpy as np
# example1: _LRScheduler is not used, return value is all the same
emb = paddle.nn.Embedding(10, 10, sparse=False)
rmsprop = paddle.optimizer.RMSProp(0.001, parameters = emb.parameters())
lr = rmsprop.get_lr()
print(lr) # 0.001

# example2: StepDecay is used, return the step learning rate
linear = paddle.nn.Linear(10, 10)
inp = paddle.rand([10,10], dtype="float32")
out = linear(inp)
loss = paddle.mean(out)

bd = [2, 4, 6, 8]
value = [0.2, 0.4, 0.6, 0.8, 1.0]
scheduler = paddle.optimizer.lr.StepDecay(learning_rate=0.5, step_size=2, gamma=0.1)
rmsprop = paddle.optimizer.RMSProp(scheduler,
                       parameters=linear.parameters())

# first step: learning rate is 0.2
np.allclose(rmsprop.get_lr(), 0.2, rtol=1e-06, atol=0.0) # True

# learning rate for different steps
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]
for i in range(12):
    rmsprop.step()
    lr = rmsprop.get_lr()
    scheduler.step()
    np.allclose(lr, ret[i], rtol=1e-06, atol=0.0) # True

        

使用本API的教程文档¶

基于U-Net卷积神经网络实现宠物图像分割