AdamW

[源代码]

AdamW

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

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)。