LBFGS

class paddle.incubate.optimizer. LBFGS ( lr=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 )

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。

警告

该 API 目前为 Beta 版本,函数签名在未来版本可能发生变化。

注解

当前仅支持动态图模式下使用。

参数

  • lr (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:L1DecayL2Decay 。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.ClipGradByGlobalNormpaddle.nn.ClipGradByNormpaddle.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

COPY-FROM: paddle.incubate.optimizer.LBFGS