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 Adafactor 算法的优化器。

Adafactor 通常用于 NLP 任务，其优势在于占用更少的内存，因为它只保存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 > 2 时，Adafactor 优化器将在其累加器变量中分别删除最后两个维度。

参数

• learning_rate: 浮点数、keras.optimizers.schedules.LearningRateSchedule 实例或一个不带参数并返回实际值的回调函数。学习率。默认为 0.001。
• beta_2_decay: 浮点数，默认为 -0.8。beta_2 的衰减率。
• epsilon_1: 浮点数，默认为 1e-30。一个小的偏移量，以防止分母为 0。
• epsilon_2: 浮点数，默认为 1e-3。一个小的偏移量，以避免学习率随着时间变得太小。
• clip_threshold: 浮点数，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: 布尔值，默认为 True。如果 learning_rate 是一个常数且 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。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，则每个权重的梯度都会被单独裁剪，使其范数不高于此值。
• clipvalue: 浮点数。如果设置，则每个权重的梯度会被裁剪，使其不高于此值。
• global_clipnorm: 浮点数。如果设置，则所有权重的梯度都会被裁剪，使其全局范数不高于此值。
• use_ema: 布尔值，默认为 False。如果 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（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: 整数或 None，默认为 None。仅在 use_ema=True 时使用。每 ema_overwrite_frequency 步迭代，我们用其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，您需要在训练结束时通过调用 optimizer.finalize_variable_values() 显式覆盖变量（这会就地更新模型变量）。当使用内置的 fit() 训练循环时，这会在最后一个 epoch 之后自动发生，您无需执行任何操作。
• loss_scale_factor: 浮点数或 None。如果为浮点数，则在计算梯度之前，损失将乘以比例因子，并且在更新变量之前，梯度将乘以比例因子的倒数。这对于防止混合精度训练期间的下溢很有用。或者，keras.optimizers.LossScaleOptimizer 将自动设置损失比例因子。
• gradient_accumulation_steps: 整数或 None。如果为整数，则模型和优化器变量不会在每一步都更新；相反，它们将每 gradient_accumulation_steps 步更新一次，使用自上次更新以来梯度的平均值。这被称为“梯度累积”。当您的批次大小非常小时，这很有用，以便减少每次更新步骤的梯度噪声。EMA 频率将查看“累积”迭代值（优化器步骤 // 梯度累积步骤）。学习率调度将查看“真实”迭代值（优化器步骤）。

参考文献

• Shazeer, Noam 等人，2018.