Keras 3 API 文档 / 优化器 / Adafactor

Adafactor

[源代码]

Adafactor

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

  • learning_rate: 浮点数,一个 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,以使分母远离 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推移变得过小。
  • 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 clipnormclipvalueglobal_clipnorm
  • relative_step: 布尔值,默认为 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。
  • 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),并定期用它们的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。
  • 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。
  • 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