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 优化器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,并增加了一种根据 Loshchilov, Hutter 等人于 2019 年发表的论文《解耦权重衰减正则化》('Decoupled Weight Decay Regularization')中讨论的技术来衰减权重的方法。

根据 Kingma 等人于 2014 年发表的论文,基础的 Adam 方法“计算效率高,内存需求小,对梯度的对角缩放不变,并且非常适用于数据/参数量较大的问题”。

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值的可调用对象。学习率。默认值为 0.001。 beta_1: 一个浮点值或常量浮点张量,或一个不接受参数并返回实际值的可调用对象。用于一阶矩估计的指数衰减率。默认值为 0.9。 beta_2: 一个浮点值或常量浮点张量,或一个不接受参数并返回实际值的可调用对象。用于二阶矩估计的指数衰减率。默认值为 0.999。 epsilon: 用于数值稳定的小常数。这个 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”(在第 2.1 节之前的公式中),而不是论文中算法 1 中的 epsilon。默认值为 1e-7。 amsgrad: 布尔值。是否应用论文“On the Convergence of Adam and beyond”中的 AMSGrad 变体算法。默认值为 False。 name: 字符串。优化器创建的动量累加器权重的名称。
  • weight_decay: 浮点值,默认为 None。如果设置,则应用权重衰减。
  • clipnorm: 浮点值。如果设置,每个权重的梯度将被单独裁剪,使其范数不超过此值。
  • clipvalue: 浮点值。如果设置,每个权重的梯度将被裁剪,使其值不超过此值。
  • global_clipnorm: 浮点值。如果设置,所有权重的梯度将被裁剪,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(权重值在每个训练批次后都会变化),并定期用其移动平均值覆盖权重。
  • ema_momentum: 浮点值,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 步迭代,我们就用模型的移动平均值覆盖模型变量。如果为 None,则优化器不会在训练过程中覆盖模型变量,你需要在训练结束时通过调用 optimizer.finalize_variable_values() 来显式覆盖变量(该方法会原地更新模型变量)。使用内置的 fit() 训练循环时,这会在最后一个 epoch 后自动发生,你无需执行任何操作。
  • 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 上下文中进行。
  • **kwargs: 仅用于向后兼容的关键字参数。

参考

说明

此算法的稀疏实现(当梯度是 IndexedSlices 对象时使用,通常是由于前向传播中的 tf.gather 或嵌入查找)即使变量切片在前向传播中未使用(即它们的梯度为零),也会对其应用动量。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(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)。