Adam

`Adam` 类

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
)

实现了Adam算法的优化器。

Adam优化是一种基于一阶和二阶矩自适应估计的随机梯度下降方法。

根据 Kingma等人，2014 的说法，该方法“在计算上高效，内存需求小，对梯度的对角重缩放不变，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 tf.keras.optimizers.schedules.LearningRateSchedule 调度，或者一个不接受任何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、一个常量浮点张量，或者一个不接受任何参数并返回实际值的可调用对象。第一阶矩估计的指数衰减率。默认为 0.9。beta_2: 一个浮点值、一个常量浮点张量，或者一个不接受任何参数并返回实际值的可调用对象。第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量。如果 adaptive_epsilon 为 False，则此 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”（论文中第 2.1 节之前公式中的值），而不是论文算法 1 中的 epsilon。默认为 1e-7。adaptive_epsilon: 如果为 True，则 epsilon hat 将根据给定的 epsilon 自适应计算（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: Float，默认为 None。如果设置，则应用权重衰减。
clipnorm：浮点数。如果设置，每个权重的梯度将单独裁剪，使其范数不高于此值。
clipvalue：浮点数。如果设置，每个权重的梯度将被裁剪，使其不高于此值。
global_clipnorm：浮点数。如果设置，所有权重的梯度将被裁剪，使其全局范数不高于此值。
use_ema: Boolean，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。仅当 use_ema=True 时使用。这是在计算模型权重 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。仅当 use_ema=True 时使用。每进行 ema_overwrite_frequency 步迭代，我们就用其移动平均值覆盖模型变量。如果为 None，优化器不会在训练中间覆盖模型变量，您需要通过调用 optimizer.finalize_variable_values()（该函数会就地更新模型变量）来显式覆盖变量。使用内置的 fit() 训练循环时，这会在最后一个 epoch 之后自动完成，您无需执行任何操作。
jit_compile: Boolean，默认为 True。如果为 True，优化器将使用 XLA 编译。如果没有找到 GPU 设备，此标志将被忽略。
mesh: 可选的 tf.experimental.dtensor.Mesh 实例。如果提供，优化器将在 DTensor 模式下运行，例如状态跟踪变量将是 DVariable，并且聚合/约简将在全局 DTensor 上下文中进行。
**kwargs: 仅用于向后兼容的关键字参数。

参考

Kingma等人，2014 - Reddi等人，2018（针对 amsgrad）。

注意事项

epsilon 的默认值 1e-7 可能并非普遍适用的好默认值。例如，在 ImageNet 上训练 Inception 网络时，当前一个不错的选择是 1.0 或 0.1。请注意，由于 Adam 使用的是 Kingma 和 Ba 论文第 2.1 节之前的公式而不是算法 1 中的公式，因此此处引用的“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 查找）确实会对变量切片应用动量，即使它们在前向传播中未使用（这意味着它们的梯度为零）。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同于密集行为（这与其他一些动量实现不同，后者会忽略动量，除非变量切片实际被使用）。

Adam

Adam 类

Adam

Adam 类

`Adam` 类