AdamW

[源代码]

AdamW 类

tf_keras.optimizers.AdamW(
    learning_rate=0.001,
    weight_decay=0.004,
    beta_1=0.9,
    beta_2=0.999,
    epsilon=1e-07,
    amsgrad=False,
    clipnorm=None,
    clipvalue=None,
    global_clipnorm=None,
    use_ema=False,
    ema_momentum=0.99,
    ema_overwrite_frequency=None,
    jit_compile=True,
    name="AdamW",
    **kwargs
)

实现 AdamW 算法的优化器。

AdamW 优化是一种随机梯度下降方法，它基于一阶和二阶矩的自适应估计，并添加了一种根据论文“Decoupled Weight Decay Regularization”（Loshchilov, Hutter 等人，2019）中讨论的技术衰减权重的方法。

根据 Kingma 等人（2014）的说法，底层的 Adam 方法“在计算上高效，内存需求少，对梯度的对角线重新缩放不变，并且非常适合数据/参数量大的问题”。

参数

• learning_rate：一个 tf.Tensor，浮点值，一个调度程序，它是一个 tf.keras.optimizers.schedules.LearningRateSchedule，或者是一个不带参数并返回实际值的函数。学习率。默认为 0.001。beta_1：一个浮点值或一个常量浮点张量，或者是一个不带参数并返回实际值的函数。第一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量浮点张量，或者是一个不带参数并返回实际值的函数。第二矩估计的指数衰减率。默认为 0.999。epsilon：一个小的常数，用于数值稳定性。此 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”（在第 2.1 节之前的公式中），而不是论文算法 1 中的 epsilon。默认为 1e-7。amsgrad：布尔值。是否应用来自论文“On the Convergence of Adam and beyond”的此算法的 AMSGrad 变体。默认为 False。name：字符串。优化器创建的动量累加器权重使用的名称。
• weight_decay：浮点数，默认为 None。如果设置，则应用权重衰减。
• clipnorm：浮点数。如果设置，则每个权重的梯度都会单独裁剪，使其范数不高于此值。
• clipvalue：浮点数。如果设置，则每个权重的梯度会被裁剪，使其不高于此值。
• global_clipnorm：浮点数。如果设置，则所有权重的梯度都会被裁剪，使其全局范数不高于此值。
• 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值（权重值在每个训练批次后发生变化），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 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 步迭代，我们就会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()（它会就地更新模型变量）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 之后自动发生，您无需执行任何操作。
• jit_compile：布尔值，默认为 True。如果为 True，则优化器将使用 XLA 编译。如果没有找到 GPU 设备，则将忽略此标志。
• mesh：可选的 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。
• **kwargs：仅用于向后兼容性的关键字参数。

参考文献

• Loshchilov 等人，2019
  • Kingma 等人，2014（用于 adam）
  • Reddi 等人，2018（用于 amsgrad）。

注释

此算法的稀疏实现（当梯度是 IndexedSlices 对象时使用，通常是因为在正向传递中使用了 tf.gather 或嵌入查找）确实将动量应用于变量切片，即使它们没有在正向传递中使用（意味着它们的梯度等于零）。动量衰减 (beta1) 也应用于整个动量累加器。这意味着稀疏行为等效于密集行为（与某些忽略动量除非实际使用了变量切片的动量实现形成对比）。