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 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_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。
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

Kingma 等人，2014 年 - Reddi 等人，2018 年关于 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）。

Adam

Adam 类

Adam

Adam 类

`Adam` 类