AdamW

`AdamW` 类

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
)

实现了AdamW算法的优化器。

AdamW优化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，并增加了根据论文《Decoupled Weight Decay Regularization》中讨论的技术来衰减权值的方法，作者为 Loshchilov, Hutter 等人，2019。

根据 Kingma 等人，2014 的说法，底层的Adam方法“计算效率高，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，浮点数值，一个 tf.keras.optimizers.schedules.LearningRateSchedule 学习率调度器，或者一个不接受参数并返回实际使用值的可调用对象。学习率。默认为 0.001。beta_1: 一个浮点数值或一个常量浮点张量，或者一个不接受参数并返回实际使用值的可调用对象。一阶矩估计的指数衰减率。默认为 0.9。beta_2: 一个浮点数值或一个常量浮点张量，或者一个不接受参数并返回实际使用值的可调用对象。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数。这个 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”（在第 2.1 节之前的那一行公式中），而不是论文算法 1 中的 epsilon。默认为 1e-7。amsgrad: 布尔值。是否应用论文“On the Convergence of Adam and beyond”中的 AMSGrad 变体。默认为 False。name: 字符串。优化器创建的动量累加器权重名称。
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

Loshchilov 等人，2019
- Kingma 等人，2014 （针对 adam）
- Reddi 等人，2018 （针对 amsgrad）。

注意事项

该算法的稀疏实现（当梯度是 IndexedSlices 对象时使用，通常是因为前向传递中使用了 tf.gather 或嵌入查找）确实会对变量切片应用动量，即使它们在前向传递中没有被使用（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稠密行为（这与某些忽略动量除非变量切片被实际使用的动量实现不同）。

AdamW

AdamW 类

AdamW

AdamW 类

`AdamW` 类