Adafactor

[源代码]

Adafactor 类

keras.optimizers.Adafactor(
    learning_rate=0.001,
    beta_2_decay=-0.8,
    epsilon_1=1e-30,
    epsilon_2=0.001,
    clip_threshold=1.0,
    relative_step=True,
    weight_decay=None,
    clipnorm=None,
    clipvalue=None,
    global_clipnorm=None,
    use_ema=False,
    ema_momentum=0.99,
    ema_overwrite_frequency=None,
    loss_scale_factor=None,
    gradient_accumulation_steps=None,
    name="adafactor",
    **kwargs
)

实现了 Adafactor 算法的优化器。

Adafactor 常用于 NLP 任务，其优点是内存占用更少，因为它只保存了先前梯度的一部分信息。

默认参数设置基于原始论文（参见参考文献）。当梯度的维度大于 2 时，Adafactor 优化器会在其累加器变量中分别删除最后两个维度。

参数

• learning_rate：一个浮点数，一个 keras.optimizers.schedules.LearningRateSchedule 实例，或一个不带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_2_decay: float，默认为 -0.8。beta_2 的衰减率。
• epsilon_1: float，默认为 1e-30。一个小的偏移量，用于使分母远离 0。
• epsilon_2: float，默认为 1e-3。一个小的偏移量，用于避免学习率随时间变得过小。
• clip_threshold: float，默认为 1.0。裁剪阈值。这是 Adafactor 算法的一部分，独立于 clipnorm、clipvalue 和 global_clipnorm。
• relative_step: bool，默认为 True。如果 learning_rate 是一个常量且 relative_step=True，则学习率将根据当前迭代次数进行调整。这是 Adafactor 中的默认学习率衰减。
• 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。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：布尔值，默认为 False。如果为 True，则应用指数移动平均 (EMA)。EMA 包括在模型权重（随着训练批次更新）上计算权重的指数移动平均，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。
• loss_scale_factor：浮点数或 None。如果是浮点数，将用该缩放因子乘以损失值，然后再计算梯度，并将梯度的逆乘以缩放因子，然后再更新变量。有助于防止混合精度训练期间的下溢。或者，keras.optimizers.LossScaleOptimizer 会自动设置损失缩放因子。
• gradient_accumulation_steps：整数或 None。如果为整数，模型和优化器变量将不会在每一步更新；而是每 gradient_accumulation_steps 步更新一次，使用自上次更新以来的平均梯度值。这被称为“梯度累积”。当您的批次大小非常小时，这可能很有用，目的是减少每次更新步骤中的梯度噪声。EMA 频率将查看“累积”的迭代次数（optimizer steps // gradient_accumulation_steps）。学习率调度器将查看“实际”的迭代次数（optimizer steps）。

参考

• Shazeer, Noam et al., 2018.