机器学习 · 函数

RMSprop优化器

创建 RMSprop 优化器，适合处理非平稳目标。对标 torch.optim.RMSprop。

调用签名(参数, 学习率=0.01)

RZHONGWEN
PYTHON

Chinese example

中文代码示例

# 完整案例：按字段调用 RMSprop优化器
设 结果 = 机器学习.RMSprop优化器(
    参数=[1, 2, 3, 4],  # 必填；按函数业务含义传入 参数;首次使用建议先 打印(...
    学习率=0.01,  # 可选；按函数业务含义传入 学习率;首次使用建议先 打印...
)
打印(结果)

可直接放进 .cs / .中py 文件运行。转换器会把中文代码交给真实 Python 解释器。

Parameters

参数说明

2 个参数

参数类型 / 传入方式说明

参数可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入参数;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传会报 TypeError: missing required argument: '参数';检查调用是否漏了这行

学习率可选 · 默认 0.01

未声明位置参数或字段名=值

按函数业务含义传入学习率;首次使用建议先打印(结果) 确认其作用。

常见错误：类型不匹配会报 TypeError;按字段类型列传值,首次使用建议先打印(结果) 确认结构

Playbook

基础用法 · 进阶组合 · 错误排查

# 完整案例：按字段调用 RMSprop优化器
设 结果 = 机器学习.RMSprop优化器(
    参数=[1, 2, 3, 4],  # 必填；按函数业务含义传入 参数;首次使用建议先 打印(...
    学习率=0.01,  # 可选；按函数业务含义传入 学习率;首次使用建议先 打印...
)
打印(结果)

# 进阶组合:RMSprop优化器 配合 机器学习 业务流使用
设 模型 = 机器学习.训练线性回归([[1], [2], [3]], [2, 4, 6])
设 结果 = 机器学习.RMSprop优化器(
    参数=[1, 2, 3, 4],  # 必填
    学习率=0.01,  # 可选
)
设 结果 = 机器学习.预测(模型, [[4]])
打印(结果)

# 错误排查:覆盖 1 个必填参数

## 参数 1: 参数
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.RMSprop优化器()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.RMSprop优化器(参数=[1, 2, 3, 4])
打印(结果)