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 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
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_epsilon
为 False
,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。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。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。参考
amsgrad
。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)。