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: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

>>> 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_np, target_np in zip(inputs, targets):
...     input = paddle.to_tensor(input_np)
...     target = paddle.to_tensor(target_np)
...     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)