Adam

[源]

Adam 类

keras.optimizers.Adam(
    learning_rate=0.001,
    beta_1=0.9,
    beta_2=0.999,
    epsilon=1e-07,
    amsgrad=False,
    weight_decay=None,
    clipnorm=None,
    clipvalue=None,
    global_clipnorm=None,
    use_ema=False,
    ema_momentum=0.99,
    ema_overwrite_frequency=None,
    loss_scale_factor=None,
    gradient_accumulation_steps=None,
    name="adam",
    **kwargs
)

实现 Adam 算法的优化器。

Adam 优化是一种随机梯度下降方法，基于对一阶和二阶矩的自适应估计。

根据 Kingma et al., 2014，该方法是 "计算效率高，内存需求少，对梯度的对角线重新缩放保持不变，并且非常适用于数据/参数规模较大的问题"。

参数

• learning_rate: 一个浮点数、一个 keras.optimizers.schedules.LearningRateSchedule 实例，或者一个不带参数并返回实际值的可调用对象。学习率。默认为 0.001。
• beta_1: 一个浮点值或一个常数浮点张量，或者一个不带参数并返回实际值的可调用对象。用于一阶矩估计的指数衰减率。默认为 0.9。
• beta_2: 一个浮点值或一个常数浮点张量，或者一个不带参数并返回实际值的可调用对象。用于二阶矩估计的指数衰减率。默认为 0.999。
• epsilon: 一个用于数值稳定的小常数。这个 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”（在 2.1 节之前的公式中），而不是论文中算法 1 的 epsilon。默认为 1e-7。
• amsgrad: 布尔值。是否应用论文《On the Convergence of Adam and beyond》中提到的 AMSGrad 变体算法。默认为 False。
• name: 字符串。用于优化器创建的动量累加器权重的名称。
• weight_decay: 浮点数。如果设置，则应用权重衰减。
• clipnorm: 浮点数。如果设置，则单独对每个权重的梯度进行裁剪，使其范数不超过此值。
• clipvalue: 浮点数。如果设置，则将每个权重的梯度裁剪到不超过此值。
• global_clipnorm: 浮点数。如果设置，则对所有权重的梯度进行裁剪，使其全局范数不超过此值。
• use_ema: 布尔值，默认为 False。如果为 True，则应用指数移动平均 (EMA)。EMA 包括计算模型权重的指数移动平均（因为权重值在每个训练批次后都会变化），并定期用其移动平均值覆盖权重。
• ema_momentum: 浮点数，默认为 0.99。仅在 use_ema=True 时使用。这是计算模型权重的 EMA 时使用的动量：new_average = ema_momentum * old_average + (1 - ema_momentum) * current_variable_value。
• ema_overwrite_frequency: 整数或 None，默认为 None。仅在 use_ema=True 时使用。每隔 ema_overwrite_frequency 迭代步，我们就用模型变量的移动平均值覆盖它。如果为 None，则优化器在训练过程中不会覆盖模型变量，你需要在训练结束时通过调用 optimizer.finalize_variable_values()（它会原地更新模型变量）来显式覆盖变量。当使用内置的 fit() 训练循环时，这会在最后一个 epoch 后自动发生，你无需执行任何操作。
• loss_scale_factor: 浮点数或 None。如果是一个浮点数，该缩放因子将在计算梯度前乘以损失，而该缩放因子的倒数将在更新变量前乘以梯度。对于混合精度训练期间防止下溢很有用。或者，keras.optimizers.LossScaleOptimizer 将自动设置一个损失缩放因子。
• gradient_accumulation_steps: 整数或 None。如果是一个整数，模型和优化器变量不会在每个步骤更新；相反，它们会每隔 gradient_accumulation_steps 步更新一次，使用自上次更新以来梯度的平均值。这被称为“梯度累积”。当你的批大小非常小时，这会很有用，以便减少每个更新步骤的梯度噪声。EMA 频率将考虑“累积”迭代次数（优化器步数 // gradient_accumulation_steps）。学习率调度器将考虑“实际”迭代次数（优化器步数）。