快捷方式

Adafactor

class torch.optim.Adafactor(params, lr=0.01, beta2_decay=-0.8, eps=(None, 0.001), d=1.0, weight_decay=0.0, *, foreach=None, maximize=False)

实现 Adafactor 算法。

input:γ(lr),τ(β2 decay),θ0(params),f(θ)(objective),ϵ1,ϵ2 (epsilons),d(clipping threshold),λ(weight decay),maximizeinitialize:R00 (second moment row factor),C00 (second moment col factor),V^00 (second moment for vectors)fort=1todoifmaximize:Gtθft(θt1)elseGtθft(θt1)β^2t1tτρtmin(lr,1t)αtmax(ϵ2,RMS(θt1))ρtθtθt1γλθt1ifdim(Gt)>1:Rtβ^2tRt1+(1β^2t)(GtGt)1mCtβ^2tCt1+(1β^2t)1n(GtGt)V^tRtCtmax(1nRt,ϵ1)elseV^tβ^2tV^t1+(1β^2t)(GtGt)UtGtmax(V^t,ϵ1)U^tUtmax(1,RMS(Ut)d)θtθt1αtU^treturnθt\begin{aligned} &\rule{110mm}{0.4pt} \\ &\textbf{input} : \gamma \text{(lr)}, \: \tau \text{(}\beta_2\text{ decay)}, \: \theta_0 \text{(params)}, \: f(\theta) \text{(objective)}, \\ &\hspace{15mm} \: \epsilon_1, \epsilon_2 \text{ (epsilons)}, \: d \text{(clipping threshold)}, \\ &\hspace{15mm} \: \lambda \text{(weight decay)}, \: \textit{maximize} \\ &\textbf{initialize} : \: R_0 \leftarrow 0 \text{ (second moment row factor)}, \\ &\hspace{23mm} \: C_0 \leftarrow 0 \text{ (second moment col factor)}, \\ &\hspace{23mm} \: \widehat{V}_0 \leftarrow 0 \text{ (second moment for vectors)} \\[-1.ex] &\rule{110mm}{0.4pt} \\ &\textbf{for} \: t=1 \: \textbf{to} \: \ldots \: \textbf{do} \\ &\hspace{5mm}\textbf{if} \: \textit{maximize}: \\ &\hspace{10mm}G_t \leftarrow -\nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{5mm}\textbf{else} \\ &\hspace{10mm}G_t \leftarrow \nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{5mm}\widehat{\beta}_{2_t} \leftarrow 1 - t^{\tau} \\ &\hspace{5mm}\rho_t \leftarrow min(lr, \frac{1}{\sqrt{t}}) \\ &\hspace{5mm}\alpha_t \leftarrow max(\epsilon_2, \text{RMS}(\theta_{t-1}))\rho_t \\ &\hspace{5mm}\theta_t \leftarrow \theta_{t-1} - \gamma \lambda \theta_{t-1} \\ &\hspace{5mm}\textbf{if} \: \text{dim}(G_t) > 1: \\ &\hspace{10mm}R_t \leftarrow \widehat{\beta}_{2_t}R_{t-1}+ (1-\widehat{\beta}_{2_t})(G_t \odot G_t) \cdot 1_m \\ &\hspace{10mm}C_t \leftarrow \widehat{\beta}_{2_t}C_{t-1}+ (1-\widehat{\beta}_{2_t}) 1^\top_n \cdot (G_t \odot G_t) \\ &\hspace{10mm}\widehat{V}_t \leftarrow \frac{R_t \cdot C_t}{max(1^\top_n \cdot R_t, \epsilon_1)} \\ &\hspace{5mm}\textbf{else} \\ &\hspace{10mm}\widehat{V}_t \leftarrow \widehat{\beta}_{2_t}\widehat{V}_{t-1}+ (1-\widehat{\beta}_{2_t}) \cdot (G_t \odot G_t) \\ &\hspace{5mm}U_t \leftarrow \frac{G_t}{max(\sqrt{\widehat{V}_t}, \epsilon_1)} \\ &\hspace{5mm}\widehat{U}_t \leftarrow \frac{U_t}{max(1, \frac{\text{RMS}(U_t)}{d})} \\ &\hspace{5mm}\theta_t \leftarrow \theta_{t-1} - \alpha_t \widehat{U}_t \\ &\rule{110mm}{0.4pt} \\[-1.ex] &\bf{return} \: \theta_t \\[-1.ex] &\rule{110mm}{0.4pt} \\[-1.ex] \end{aligned}

有关该算法的更多详细信息,请参阅 Adafactor:具有亚线性内存成本的自适应学习率

参数
  • params (iterable) – 要优化的参数的迭代器或定义参数组的字典

  • lr (float, Tensor, 可选) – 与其他优化器不同,Adafactor 不需要学习率,Shazeer、Noam 和 Mitchell Stern 根本没有使用 lr。与论文不同,此实现使用 lr 应用权重衰减并作为相对步长 rho_t 的最大值。请注意,在论文中,常数 0.01 用作相对步长的最大值,因此我们将 0.01 设为默认值。(默认值:1e-2)

  • beta2_decay (float, 可选) – beta2 的衰减率。beta2 通常指用于计算梯度平方运行平均值的系数。(默认值:-0.8)

  • eps (Tuple[float, float], 可选) – epsilon1 是添加到更新计算分母中的项,以提高数值稳定性。这种 epsilon1 的用法与论文中编写的算法略有不同!有关更多详细信息,请参见下面的注释。epsilon2 是用于避免在应用参数缩放时权重更新过小的项。(默认值:(None, 1e-3))

  • d (float, 可选) – 修剪阈值,用于避免出现大于预期值的更新。

  • weight_decay (float, 可选) – 权重衰减系数(默认值:1e-2)

  • foreach (bool, 可选) – 是否使用优化器的 foreach 实现。请注意,foreach 实现比 for 循环版本使用约 sizeof(params) 更多的峰值内存,因为中间值是张量列表而不是单个张量。由于 Adafactor 通常在内存有限时使用,因此 Adafactor 默认使用较慢的单个张量 for 循环实现,除非此标志明确设置为 True。此行为与其他优化器相反,其他优化器将尝试在 CUDA 上默认为 foreach 以加快运行时间。(默认值:None)

  • maximize (bool, 可选) – 相对于 params 最大化目标,而不是最小化(默认值:False)

注意

Adafactor 的实现与 Shazeer、Noam 和 Mitchell Stern 以及某些其他框架中的实现略有不同,因为它使用了学习率和 ϵ1\epsilon_1.

关于学习率超参数:Shazeer、Noam 和 Mitchell Stern 根本没有使用 lr,因为所述算法使用ρt\rho_t 和更新裁剪来影响步长。

此实现允许lr 影响ρt\rho_t 的最大值。

ρtmin(lr,1t)\begin{aligned} &\hspace{5mm}\rho_t \leftarrow min(lr, \frac{1}{\sqrt{t}}) \end{aligned}

这与 Shazeer、Noam 和 Mitchell Stern 不同,他们使用 0.01 的常数作为ρt\rho_t 的最大值。

ρtmin(0.01,1t)\begin{aligned} &\hspace{5mm}\rho_t \leftarrow min(0.01, \frac{1}{\sqrt{t}}) \end{aligned}

Shazeer、Noam 和 Mitchell Stern 并没有对权重衰减的计算方式提出意见,因此我们使用学习率作为解耦权重衰减的系数,类似于解耦权重衰减正则化中提出的方法。

关于ϵ1\epsilon_1 的使用:此实现尝试复制 Shazeer、Noam 和 Mitchell Stern 使用ϵ1\epsilon_1 作为梯度平方变小时的稳定项的推定意图。

这种稳定化可以写成

Rtβ^2tRt1+(1β^2t)(GtGt+1n1m)1mCtβ^2tCt1+(1β^2t)1n(GtGt+1n1m)V^tRtCtmax(1nRt,ϵ1)UtGtmax(V^t,ϵ1)\begin{aligned} &\hspace{5mm}R_t \leftarrow \widehat{\beta}_{2_t}R_{t-1}+ (1-\widehat{\beta}_{2_t})(G_t \odot G_t + 1_n \cdot 1^\top_m) \cdot 1_m \\ &\hspace{5mm}C_t \leftarrow \widehat{\beta}_{2_t}C_{t-1}+ (1-\widehat{\beta}_{2_t}) 1^\top_n \cdot (G_t \odot G_t + 1_n \cdot 1^\top_m) \\ &\hspace{5mm}\widehat{V}_t \leftarrow \frac{R_t \cdot C_t}{max(1^\top_n \cdot R_t, \epsilon_1)} \\ &\hspace{5mm}U_t \leftarrow \frac{G_t}{max(\sqrt{\widehat{V}_t}, \epsilon_1)} \\ \end{aligned}

在梯度平方 RtR_tCtC_t 的行和列因子保持不变,并在方差估计 V^t\widehat{V}_t 的最终计算中应用 ϵ1\epsilon_1,以及更新 UtU_t

这与 Shazeer, Noam 和 Mitchell Stern 以及其他框架形成对比,这些框架将 ϵ1\epsilon_1 应用于梯度平方的行和列因子,但在之后的计算中则不这样做。

Rtβ^2tRt1+(1β^2t)(GtGt+ϵ11n1m)1mCtβ^2tCt1+(1β^2t)1n(GtGt+ϵ11n1m)V^tRtCt1nRtUtGtV^t\begin{aligned} &\hspace{5mm}R_t \leftarrow \widehat{\beta}_{2_t}R_{t-1}+ (1-\widehat{\beta}_{2_t})(G_t \odot G_t + \epsilon_1 1_n \cdot 1^\top_m) \cdot 1_m \\ &\hspace{5mm}C_t \leftarrow \widehat{\beta}_{2_t}C_{t-1}+ (1-\widehat{\beta}_{2_t}) 1^\top_n \cdot (G_t \odot G_t + \epsilon_1 1_n \cdot 1^\top_m) \\ &\hspace{5mm}\widehat{V}_t \leftarrow \frac{R_t \cdot C_t}{1^\top_n \cdot R_t} \\ &\hspace{5mm}U_t \leftarrow \frac{G_t}{\sqrt{\widehat{V}_t}} \\ \end{aligned}
add_param_group(param_group)

将参数组添加到 Optimizerparam_groups 中。

在微调预训练网络时,这很有用,因为可以使冻结的层可训练,并在训练过程中将其添加到 Optimizer 中。

参数

param_group (dict) – 指定哪些张量应该被优化,以及特定于组的优化选项。

load_state_dict(state_dict)

加载优化器状态。

参数

state_dict (dict) – 优化器状态。应为 state_dict() 调用返回的对象。

register_load_state_dict_post_hook(hook, prepend=False)

注册一个 load_state_dict 后挂钩,该挂钩将在调用 load_state_dict() 后被调用。它应该具有以下签名

hook(optimizer) -> None

optimizer 参数是正在使用的优化器实例。

在对 self 调用 load_state_dict 之后,挂钩将使用参数 self 被调用。注册的挂钩可用于在 load_state_dict 加载了 state_dict 后执行后处理。

参数
  • hook (Callable) – 要注册的用户定义的挂钩。

  • prepend (bool) – 如果为 True,则提供的后 hook 将在 load_state_dict 上所有已注册的后挂钩之前触发。否则,提供的 hook 将在所有已注册的后挂钩之后触发。(默认值:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回类型

torch.utils.hooks.RemoveableHandle

register_load_state_dict_pre_hook(hook, prepend=False)

注册一个 load_state_dict 前挂钩,该挂钩将在调用 load_state_dict() 之前被调用。它应该具有以下签名

hook(optimizer, state_dict) -> state_dict or None

optimizer 参数是正在使用的优化器实例,而 state_dict 参数是用户传递给 load_state_dictstate_dict 的浅拷贝。挂钩可以就地修改 state_dict,或者可以选择返回一个新的。如果返回了 state_dict,它将用于加载到优化器中。

在对 self 调用 load_state_dict 之前,挂钩将使用参数 selfstate_dict 被调用。注册的挂钩可用于在进行 load_state_dict 调用之前执行预处理。

参数
  • hook (Callable) – 要注册的用户定义的挂钩。

  • prepend (bool) – 如果为 True,则提供的预 hook 将在 load_state_dict 上所有已注册的预挂钩之前触发。否则,提供的 hook 将在所有已注册的预挂钩之后触发。(默认值:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回类型

torch.utils.hooks.RemoveableHandle

register_state_dict_post_hook(hook, prepend=False)

注册一个 state dict 后挂钩,该挂钩将在调用 state_dict() 后被调用。

它应该具有以下签名

hook(optimizer, state_dict) -> state_dict or None

在对 self 生成 state_dict 之后,挂钩将使用参数 selfstate_dict 被调用。挂钩可以就地修改 state_dict,或者可以选择返回一个新的。注册的挂钩可用于在返回 state_dict 之前对其执行后处理。

参数
  • hook (Callable) – 要注册的用户定义的挂钩。

  • prepend (bool) – 如果为 True,则提供的后 hook 将在 state_dict 上所有已注册的后挂钩之前触发。否则,提供的 hook 将在所有已注册的后挂钩之后触发。(默认值:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回类型

torch.utils.hooks.RemoveableHandle

register_state_dict_pre_hook(hook, prepend=False)

注册一个 state dict 前挂钩,该挂钩将在调用 state_dict() 之前被调用。

它应该具有以下签名

hook(optimizer) -> None

参数 optimizer 是正在使用的优化器实例。在调用 self 上的 state_dict 之前,将使用参数 self 调用该钩子。注册的钩子可用于在进行 state_dict 调用之前执行预处理。

参数
  • hook (Callable) – 要注册的用户定义的挂钩。

  • prepend (bool) – 如果为 True,则提供的预 hook 将在 state_dict 上所有已注册的预钩子之前触发。否则,提供的 hook 将在所有已注册的预钩子之后触发。(默认值:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回类型

torch.utils.hooks.RemoveableHandle

register_step_post_hook(hook)

注册一个优化器步骤后钩子,该钩子将在优化器步骤之后被调用。

它应该具有以下签名

hook(optimizer, args, kwargs) -> None

optimizer 参数是正在使用的优化器实例。

参数

hook (Callable) – 要注册的用户定义的挂钩。

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回类型

torch.utils.hooks.RemovableHandle

register_step_pre_hook(hook)

注册一个优化器步骤前钩子,该钩子将在优化器步骤之前被调用。

它应该具有以下签名

hook(optimizer, args, kwargs) -> None or modified args and kwargs

参数 optimizer 是正在使用的优化器实例。如果预钩子修改了 args 和 kwargs,则转换后的值将作为包含 new_args 和 new_kwargs 的元组返回。

参数

hook (Callable) – 要注册的用户定义的挂钩。

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回类型

torch.utils.hooks.RemovableHandle

state_dict()

将优化器的状态作为 dict 返回。

它包含两个条目

  • state:一个保存当前优化状态的字典。其内容

    在不同的优化器类之间有所不同,但一些共同特征仍然存在。例如,状态是针对每个参数保存的,参数本身不会保存。 state 是一个字典,将参数 ID 映射到一个字典,该字典包含与每个参数相对应状态。

  • param_groups:一个列表,包含所有参数组,其中每个

    参数组都是一个字典。每个参数组包含特定于优化器的元数据,例如学习率和权重衰减,以及该组中参数的参数 ID 列表。

注意:参数 ID 可能看起来像索引,但它们只是将状态与 param_group 关联的 ID。从 state_dict 加载时,优化器将压缩 param_group params(整数 ID)和优化器 param_groups(实际的 nn.Parameter)以匹配状态,而无需额外的验证。

返回的 state_dict 可能看起来像这样

{
    'state': {
        0: {'momentum_buffer': tensor(...), ...},
        1: {'momentum_buffer': tensor(...), ...},
        2: {'momentum_buffer': tensor(...), ...},
        3: {'momentum_buffer': tensor(...), ...}
    },
    'param_groups': [
        {
            'lr': 0.01,
            'weight_decay': 0,
            ...
            'params': [0]
        },
        {
            'lr': 0.001,
            'weight_decay': 0.5,
            ...
            'params': [1, 2, 3]
        }
    ]
}
返回类型

Dict[str, Any]

step(closure=None)[source]

执行单个优化步骤。

参数

closure (Callable, optional) – 一个重新评估模型并返回损失的闭包。

zero_grad(set_to_none=True)

重置所有已优化 torch.Tensor 的梯度。

参数

set_to_none (bool) – 不是设置为零,而是将梯度设置为 None。这通常会降低内存占用,并可以适度提高性能。但是,它会改变某些行为。例如:1. 当用户尝试访问梯度并在其上执行手动操作时,None 属性或包含 0 的张量将具有不同的行为。2. 如果用户请求 zero_grad(set_to_none=True) 后跟反向传播,则对于未接收梯度的参数,.grad 保证为 None。3. torch.optim 优化器在梯度为 0 或 None 时具有不同的行为(在一个情况下,它使用梯度 0 执行步骤,而在另一个情况下,它完全跳过该步骤)。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源