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
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
的衰减率。clipnorm
、clipvalue
和 global_clipnorm
。True
。如果 learning_rate
是一个常数并且 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。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),并定期用它们的移动平均值覆盖权重。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
。use_ema=True
时使用。每隔 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()
显式地覆盖变量(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。None
。如果为浮点数,则在计算梯度之前,损失将乘以比例因子,并在更新变量之前,梯度将乘以比例因子的倒数。这有助于防止混合精度训练期间出现下溢。或者,keras.optimizers.LossScaleOptimizer
将自动设置损失比例因子。None
。如果为整数,则模型和优化器变量不会在每个步骤都更新;相反,它们将每隔 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