Adafactor
类tf_keras.optimizers.Adafactor(
learning_rate=0.001,
beta_2_decay=-0.8,
epsilon_1=1e-30,
epsilon_2=0.001,
clip_threshold=1.0,
relative_step=True,
weight_decay=None,
clipnorm=None,
clipvalue=None,
global_clipnorm=None,
use_ema=False,
ema_momentum=0.99,
ema_overwrite_frequency=None,
jit_compile=True,
name="Adafactor",
**kwargs
)
实现 Adafactor 算法的优化器。
Adafactor 通常用于 NLP 任务,其优势在于占用更少的内存,因为它只保存先前梯度的部分信息。
默认参数设置基于原始论文(参见参考文献)。当梯度的维度 > 2 时,Adafactor 优化器将在其累加器变量中分别删除最后两个维度。
参数
tf.keras.optimizers.schedules.LearningRateSchedule
实例。默认为 0.001。beta_2_decay: 浮点数,默认为 -0.8。beta_2
的衰减率。epsilon_1: 浮点数,默认为 1e-30。一个小的偏移量,以避免分母为 0。epsilon_2: 浮点数,默认为 1e-3。一个小的偏移量,以避免学习率随着时间变得太小。clip_threshold: 浮点数,默认为 1.0。裁剪阈值。这是 Adafactor 算法的一部分,独立于 clipnorm
、clipvalue
和 global_clipnorm
。relative_step: 布尔值,默认为 True。如果 learning_rate
是一个常数并且 relative_step=True
,则学习率将根据当前迭代次数进行调整。这是 Adafactor 中的默认学习率衰减。use_ema=True
时使用。这是计算模型权重 EMA 时使用的动量:new_average = ema_momentum * old_average + (1 - ema_momentum) * current_variable_value
。use_ema=True
时使用。每 ema_overwrite_frequency
步迭代,我们将用其移动平均值覆盖模型变量。如果为 None,则优化器在训练过程中不会覆盖模型变量,您需要在训练结束时通过调用 optimizer.finalize_variable_values()
显式覆盖变量(这将就地更新模型变量)。当使用内置的 fit()
训练循环时,这会在最后一个 epoch 之后自动发生,您无需执行任何操作。tf.experimental.dtensor.Mesh
实例。提供时,优化器将在 DTensor 模式下运行,例如状态跟踪变量将是 DVariable,并且聚合/归约将在全局 DTensor 上下文中发生。参考文献