torch_npu.optim.NpuFusedRMSpropTF

接口原型

CLASS torch_npu.optim.NpuFusedRMSpropTF(params, lr=1e-2, alpha=0.9, eps=1e-10, weight_decay=0, momentum=0., centered=False, decoupled_decay=False, lr_in_momentum=True)

功能描述

通过张量融合实现的高性能RMSpropTF优化器，核心功能和torch.optim.RMSprop兼容。RMSpropT的功能和原理可参考https://github.com/huggingface/pytorch-image-models/blob/main/timm/optim/rmsprop_tf.py#L14。

参数说明

• params：模型参数或模型参数组。
• lr：学习率，float类型（默认值：1e-3）。
• alpha：平滑常量，float类型（默认值：0.9）。
• eps：分母防除0项，提高数值稳定性，float类型（默认值：1e-10）。
• weight_decay：权重衰减，float类型（默认值：0）。
• momentum：动量因子，float类型（默认值：0）。
• centered： 计算中心RMSProp，梯度将被方差的估计值归一化，bool值（默认值：False）。
• decoupled_decay：权重衰减仅作用于参数，bool值（默认值：False）。
• lr_in_momentum：计算动量buffer时使用lr，bool值（默认值：True）。

输入说明

params为参数的可迭代对象或参数组的dict类型。

输出说明

类型为“NpuFusedRMSpropTF”的对象。

异常说明

• “ValueError”- “lr”值小于0。
• “ValueError”- “eps”的值小于0。
• “ValueError”- “momentum”的值小于0。
• “ValueError”- “weight_decay”的值小于0。
• “ValueError”- “alpha”的值小于0。

约束说明

NpuFusedRMSpropTF的实现机制要求params中的每一个模型参数对象在使用过程中不能被重新申请，否则将导致无法预料的结果。引起模型参数对象被重新申请的操作包括但不限于：

• 将模型或其子Module进行.cpu操作
• 将模型参数对象指向新的对象
• 将模型参数对象置为None

对模型参数对象进行inplace计算，或者读取参数的值，NpuFusedRMSpropTF可正常工作。

支持的型号

• Atlas A2 训练系列产品

调用示例

import torch
from torch_npu.npu.amp import GradScaler, autocast
from torch_npu.optim import NpuFusedRMSpropTF 

def _create_simple_params_and_grads():
    params = [
        torch.arange(6).reshape(2, 3).float().npu(),
        torch.arange(12).reshape(4, 3).float().npu(),
        torch.arange(6).reshape(2, 3).half().npu(),
        torch.arange(12).reshape(4, 3).half().npu(),
        torch.arange(15).reshape(5, 3).float().npu(),
        torch.arange(18).reshape(6, 3).half().npu(),
        torch.arange(6).reshape(2, 3).float().npu(),
    ]

    for i, p in enumerate(params):
        if i < len(params) - 1:
            p.requires_grad = True
            p.grad = p.clone().detach() / 100.

    return params

opt_kwargs = dict(eps=0.001, lr=0.01, weight_decay=1e-5)
params = _create_simple_params_and_grads()
fused_opt = NpuFusedRMSpropTF(params, **opt_kwargs)
with torch.no_grad():
    fused_opt.step()