Adam

[源]

Adam

tf_keras.optimizers.Adam(
    learning_rate=0.001,
    beta_1=0.9,
    beta_2=0.999,
    epsilon=1e-07,
    adaptive_epsilon=False,
    amsgrad=False,
    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="Adam",
    **kwargs
)

实现 Adam 算法的优化器。

Adam 优化是一种基于一阶矩和二阶矩自适应估计的随机梯度下降方法。

根据 Kingma 等人,2014 年的说法,该方法“计算效率高,内存需求少,对梯度的对角缩放保持不变,并且非常适合处理数据/参数量大的问题”。

参数

  • learning_rate: 一个 tf.Tensor、浮点值、一个 tf.keras.optimizers.schedules.LearningRateSchedule 调度器,或一个不接受参数并返回实际要使用的值的可调用对象。学习率。默认为 0.001。 beta_1: 一个浮点值或一个常量浮点张量,或一个不接受参数并返回实际要使用的值的可调用对象。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量浮点张量,或一个不接受参数并返回实际要使用的值的可调用对象。二阶矩估计的指数衰减率。默认为 0.999。 epsilon: 用于数值稳定的小常数。如果 adaptive_epsilonFalse,则此 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 中的 epsilon。默认为 1e-7。 adaptive_epsilon: 如果为 True,则根据给定的 epsilon 自适应地计算 epsilon hat(论文中的算法 1)。如果为 False,则给定的 epsilon 将是“epsilon hat”。默认为 False。 amsgrad: 布尔值。是否应用论文“On the Convergence of Adam and beyond”中的 AMSGrad 变体。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,默认为 None。如果设置,则应用权重衰减。
  • clipnorm: 浮点数。如果设置,则单独裁剪每个权重的梯度,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高于此值。
  • global_clipnorm: 浮点数。如果设置,则裁剪所有权重的梯度,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值(随着权重值在每个训练批次后变化),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: 整型或 None,默认为 None。仅在 use_ema=True 时使用。每隔 ema_overwrite_frequency 次迭代步,我们用模型的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,你需要通过调用 optimizer.finalize_variable_values() 在训练结束时显式覆盖变量(这将原地更新模型变量)。当使用内置的 fit() 训练循环时,这会在最后一个 epoch 后自动发生,你无需进行任何操作。
  • jit_compile: 布尔值,默认为 True。如果为 True,优化器将使用 XLA 编译。如果未找到 GPU 设备,此标志将被忽略。
  • mesh: 可选的 tf.experimental.dtensor.Mesh 实例。如果提供,优化器将以 DTensor 模式运行,例如状态跟踪变量将是 DVariable,并且聚合/归约将在全局 DTensor 上下文进行。
  • **kwargs: 仅用于向后兼容的关键字参数。

参考

注意

通常情况下,epsilon 的默认值 1e-7 可能不是一个好的选择。例如,在 ImageNet 上训练 Inception 网络时,当前较好的选择是 1.0 或 0.1。请注意,由于 Adam 使用的是 Kingma 和 Ba 论文中 2.1 节之前的公式,而不是算法 1 中的公式,因此此处提到的“epsilon”是论文中的“epsilon hat”。

该算法的稀疏实现(当梯度是 IndexedSlices 对象时使用,通常是因为前向传播中的 tf.gather 或 embedding lookup)即使变量切片在前向传播中未使用(意味着它们的梯度为零),也会对这些切片应用动量。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同于密集行为(这与某些动量实现不同,后者仅在实际使用了变量切片时才考虑动量)。