RAdam

class torch.optim.RAdam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0, decoupled_weight_decay=False, *, foreach=None, maximize=False, capturable=False, differentiable=False)

实现 RAdam 算法。

$$\begin{aligned} &\rule{110mm}{0.4pt} \\ &\textbf{input} : \gamma \text{ (lr)}, \: \beta_1, \beta_2 \text{ (betas)}, \: \theta_0 \text{ (params)}, \:f(\theta) \text{ (objective)}, \: \lambda \text{ (weightdecay)}, \:\textit{maximize} \\ &\hspace{13mm} \epsilon \text{ (epsilon)}, \textit{decoupled\_weight\_decay} \\ &\textbf{initialize} : m_0 \leftarrow 0 \text{ ( first moment)}, v_0 \leftarrow 0 \text{ ( second moment)}, \\ &\hspace{18mm} \rho_{\infty} \leftarrow 2/(1-\beta_2) -1 \\[-1.ex] &\rule{110mm}{0.4pt} \\ &\textbf{for} \: t=1 \: \textbf{to} \: \ldots \: \textbf{do} \\ &\hspace{6mm}\textbf{if} \: \textit{maximize}: \\ &\hspace{12mm}g_t \leftarrow -\nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{6mm}\textbf{else} \\ &\hspace{12mm}g_t \leftarrow \nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{6mm} \theta_t \leftarrow \theta_{t-1} \\ &\hspace{6mm} \textbf{if} \: \lambda \neq 0 \\ &\hspace{12mm}\textbf{if} \: \textit{decoupled\_weight\_decay} \\ &\hspace{18mm} \theta_t \leftarrow \theta_{t} - \gamma \lambda \theta_{t} \\ &\hspace{12mm}\textbf{else} \\ &\hspace{18mm} g_t \leftarrow g_t + \lambda \theta_{t} \\ &\hspace{6mm}m_t \leftarrow \beta_1 m_{t-1} + (1 - \beta_1) g_t \\ &\hspace{6mm}v_t \leftarrow \beta_2 v_{t-1} + (1-\beta_2) g^2_t \\ &\hspace{6mm}\widehat{m_t} \leftarrow m_t/\big(1-\beta_1^t \big) \\ &\hspace{6mm}\rho_t \leftarrow \rho_{\infty} - 2 t \beta^t_2 /\big(1-\beta_2^t \big) \\[0.1.ex] &\hspace{6mm}\textbf{if} \: \rho_t > 5 \\ &\hspace{12mm} l_t \leftarrow \frac{\sqrt{ (1-\beta^t_2) }}{ \sqrt{v_t} +\epsilon } \\ &\hspace{12mm} r_t \leftarrow \sqrt{\frac{(\rho_t-4)(\rho_t-2)\rho_{\infty}}{(\rho_{\infty}-4)(\rho_{\infty}-2) \rho_t}} \\ &\hspace{12mm}\theta_t \leftarrow \theta_t - \gamma \widehat{m_t} r_t l_t \\ &\hspace{6mm}\textbf{else} \\ &\hspace{12mm}\theta_t \leftarrow \theta_t - \gamma \widehat{m_t} \\ &\rule{110mm}{0.4pt} \\[-1.ex] &\bf{return} \: \theta_t \\[-1.ex] &\rule{110mm}{0.4pt} \\[-1.ex] \end{aligned}$$

关于算法的更多细节，请参阅《自适应学习率方差及其超越》。

此实现提供了使用原始 weight_decay 实现作为 Adam（其中 weight_decay 应用到梯度）或 AdamW（其中 weight_decay 应用到权重）的选项，通过 decoupled_weight_decay 选项。当 decoupled_weight_decay 设置为 False（默认值）时，它使用原始 Adam 风格的 weight decay，否则，它使用 AdamW 风格，这更接近于 RAdam 论文中作者的实现。有关 decoupled weight decay 的更多信息，请参阅《解耦权重衰减正则化》。

参数:

• params（可迭代对象）- 要优化或定义参数组的字典的可迭代对象或命名参数的可迭代对象。当使用命名参数时，所有组中的所有参数都应具有名称

• lr（float，Tensor，可选）- 学习率（默认：1e-3）

• betas（Tuple[float, float]，可选）- 用于计算梯度及其平方的运行平均值的系数（默认：(0.9, 0.999)）

• eps（浮点数，可选）- 添加到分母的项，以提高数值稳定性（默认：1e-8）

• weight_decay (float, 可选) – 权重衰减（L2 惩罚）（默认：0）

• decoupled_weight_decay（bool，可选）- 是否解耦权重衰减以获得 RAdamW。如果为 True，则算法不会在动量或方差中累积权重衰减。（默认：False）

• foreach (bool, 可选) – 是否使用优化器的 foreach 实现。如果用户未指定（即 foreach 为 None），我们将尝试在 CUDA 上使用 foreach 覆盖 for-loop 实现，因为它通常性能显著更高。请注意，foreach 实现比 for-loop 版本多使用~ sizeof(params)的峰值内存，因为中间结果是一个 tensorlist 而不是只有一个 tensor。如果内存受限，请一次通过优化器批量处理较少的参数，或将此标志设置为 False（默认：None）

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

• 可捕获的（bool，可选）- 此实例是否安全地捕获在 CUDA 图中。传递 True 可能会降低无图性能，因此如果不打算捕获此实例的图，请将其保留为 False（默认：False）

• 可微分的（bool，可选）- 是否在训练过程中通过优化器步骤进行自动微分。否则，step() 函数将在 torch.no_grad() 上下文中运行。设置为 True 可能会降低性能，因此如果不打算通过此实例运行自动微分，请将其保留为 False（默认：False）

add_param_group(param_group)[source]

向 Optimizer s 的 param_groups 中添加一个参数组。

这在微调预训练网络时可能很有用，因为冻结的层可以在训练过程中变为可训练并添加到 Optimizer 中。

参数:

param_group (dict) - 指定哪些张量应与特定优化选项一起优化。

load_state_dict(state_dict)

加载优化器状态。

参数:

state_dict (dict) – 优化器状态。应该是从调用 state_dict() 返回的对象。

注意

参数的名称（如果它们存在于每个参数组在 state_dict() 的“param_names”键下）将不会影响加载过程。如果要使用参数的名称进行自定义情况（例如，当加载的状态字典中的参数与初始化优化器中的参数不同时），则需要实现自定义的 register_load_state_dict_pre_hook 以相应地适应加载的字典。如果加载的状态字典中存在 param_names ，则将保存并覆盖优化器状态中当前存在的名称。如果它们不在加载的状态字典中，则优化器的 param_names 将保持不变。

register_load_state_dict_post_hook(hook, prepend=False)[source]

注册一个在调用 load_state_dict() 之后调用的 load_state_dict 后钩子。它应该具有以下签名：

hook(optimizer) -> None

第 0#个参数是正在使用的优化器实例。

在对 self 调用 load_state_dict 之后，将使用参数 self 调用钩子。已注册的钩子可以在 load_state_dict 加载 state_dict 之后执行后处理。

参数:

• hook（可调用对象）- 用户定义的将被注册的钩子。

• prepend (bool) – 如果为 True，提供的后处理 hook 将在所有已注册的后处理钩子 load_state_dict 之前触发。否则，提供的 hook 将在所有已注册的后处理钩子之后触发。（默认：False）

返回值:

一个可以用来通过调用 handle.remove() 移除已添加钩子的句柄。

返回类型:

torch.utils.hooks.RemoveableHandle

register_load_state_dict_pre_hook(hook, prepend=False)

注册一个在调用 load_state_dict() 之前将被调用的 load_state_dict 预钩子。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， state_dict 参数是用户传递给 load_state_dict 的 state_dict 的浅拷贝。钩子可以就地修改 state_dict，或者可选地返回一个新的。如果返回了 state_dict，它将被用于加载到优化器中。

在调用 self 上的 load_state_dict 之前，将使用参数 self 和 state_dict 调用钩子。已注册的钩子可用于在执行 load_state_dict 调用之前执行预处理。

参数:

• hook（可调用对象）- 用户定义的将被注册的钩子。

• prepend (bool) – 如果为 True，提供的预 hook 将在所有已注册的预钩子 load_state_dict 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：False）

返回值:

一个可以用来通过调用 handle.remove() 移除已添加钩子的句柄。

返回类型:

torch.utils.hooks.RemoveableHandle

register_state_dict_post_hook(hook, prepend=False)

注册一个状态字典后钩子，该钩子将在调用 state_dict() 之后被调用。

它应该具有以下签名：

hook(optimizer, state_dict) -> state_dict or None

在生成 self 上的 state_dict 之后，将以参数 self 和 state_dict 调用钩子。钩子可以就地修改状态字典或可选地返回一个新的状态字典。已注册的钩子可用于在返回之前对 state_dict 执行后处理。

参数:

• hook（可调用对象）- 用户定义的将被注册的钩子。

• prepend (bool) – 如果为 True，提供的后处理 hook 将在所有已注册的后处理钩子 state_dict 之前触发。否则，提供的 hook 将在所有已注册的后处理钩子之后触发。（默认：False）

返回值:

一个可以用来通过调用 handle.remove() 移除已添加钩子的句柄。

返回类型:

torch.utils.hooks.RemoveableHandle

register_state_dict_pre_hook(hook, prepend=False)

注册一个在调用 state_dict() 之前被调用的状态字典预钩子。

它应该具有以下签名：

hook(optimizer) -> None

The optimizer argument is the optimizer instance being used. The hook will be called with argument self before calling state_dict on self. The registered hook can be used to perform pre-processing before the state_dict call is made.

参数:

• hook（可调用对象）- 用户定义的将被注册的钩子。

• prepend (bool) – 如果为 True，提供的预 hook 将在所有已注册的预钩子 state_dict 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：False）

返回值:

一个可以用来通过调用 handle.remove() 移除已添加钩子的句柄。

返回类型:

torch.utils.hooks.RemoveableHandle

register_step_post_hook(hook)

注册优化器步骤后钩子，该钩子在优化器步骤之后将被调用。

它应该具有以下签名：

hook(optimizer, args, kwargs) -> None

第 0#个参数是正在使用的优化器实例。

参数:

hook（可调用对象）- 用户定义的将被注册的钩子。

返回值:

一个可以用来通过调用 handle.remove() 移除已添加钩子的句柄。

返回类型:

torch.utils.hooks.RemovableHandle

register_step_pre_hook(hook)

注册优化器步骤预钩子，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

第 0#参数是正在使用的优化器实例。如果 args 和 kwargs 被预钩子修改，则返回包含新_args 和新_kwargs 的新值元组。

参数:

hook（可调用对象）- 用户定义的将被注册的钩子。

返回值:

一个可以用来通过调用 handle.remove() 移除已添加钩子的句柄。

返回类型:

torch.utils.hooks.RemovableHandle

state_dict()

返回优化器的状态作为 dict 。

它包含两个条目：

• state ：一个字典，包含当前的优化状态。其内容

  优化器类之间有所不同，但有一些共同特征。例如，状态是按参数保存的，而参数本身不保存。 state 是一个字典，将参数 ID 映射到与每个参数对应的状态的字典。

• 包含所有参数组的列表

  参数组是一个字典。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，以及组中参数的 ID 列表。如果参数组使用 named_parameters() 初始化，则名称内容也将保存在状态字典中。

注意：参数 ID 看起来像索引，但它们只是将状态与 param_group 关联的 ID。在从 state_dict 加载时，优化器将 param_group params （整数 ID）和优化器 param_groups （实际的 nn.Parameter s）进行 zip，以便匹配状态，无需额外验证。

返回的状态字典可能看起来像这样：

{
    '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]
            'param_names' ['param0']  (optional)
        },
        {
            'lr': 0.001,
            'weight_decay': 0.5,
            ...
            'params': [1, 2, 3]
            'param_names': ['param1', 'layer.weight', 'layer.bias'] (optional)
        }
    ]
}

返回类型:

dict[str, Any]

step(closure=None)

执行单个优化步骤。

参数:

closure (Callable, 可选) – 一个闭包，用于重新评估模型并返回损失。

zero_grad(set_to_none=True)[source]

重置所有优化 torch.Tensor 的梯度。

参数:

set_to_none (布尔值) – 在设置为零而不是设置为零的情况下，将梯度设置为 None。这通常会有更低的内存占用，并且可以适度提高性能。但是，它会改变某些行为。例如：1. 当用户尝试访问梯度并对其进行手动操作时，None 属性或充满 0s 的张量将会有不同的行为。2. 如果用户请求 zero_grad(set_to_none=True) 然后进行反向传播， .grad 确保对于未接收梯度的参数将是 None。3. torch.optim 优化器在梯度为 0 或 None 时具有不同的行为（在一种情况下它使用梯度为 0 执行步骤，在另一种情况下它完全跳过步骤）。