Adamax

[源代码]

Adamax 类

keras.optimizers.Adamax(
    learning_rate=0.001,
    beta_1=0.9,
    beta_2=0.999,
    epsilon=1e-07,
    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="adamax",
    **kwargs
)

实现 Adamax 算法的优化器。

Adamax 是基于无穷范数的 Adam 变体，是一种一阶基于梯度的优化方法。由于其能够根据数据特征调整学习率，因此适用于学习时变过程，例如具有动态变化的噪声条件的语音数据。默认参数遵循论文中提供的参数（请参阅下面的参考文献）。

初始化

m = 0  # Initialize initial 1st moment vector
u = 0  # Initialize the exponentially weighted infinity norm
t = 0  # Initialize timestep

参数 w 与梯度 g 的更新规则在论文的 7.1 节末尾描述（请参阅参考部分）

t += 1
m = beta1 * m + (1 - beta) * g
u = max(beta2 * u, abs(g))
current_lr = learning_rate / (1 - beta1 ** t)
w = w - current_lr * m / (u + epsilon)

参数

• learning_rate: 一个浮点数，一个 keras.optimizers.schedules.LearningRateSchedule 实例，或者一个不接受任何参数并返回要使用的实际值的可调用对象。学习率。默认为 0.001。
• beta_1: 一个浮点数值或一个常数浮点张量。用于一阶矩估计的指数衰减率。
• beta_2: 一个浮点数值或一个常数浮点张量。用于指数加权无穷范数的指数衰减率。
• epsilon: 一个用于数值稳定性的很小的常数。name：字符串。用于由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，则每个权重的梯度都会被裁剪为不高于此值。
• 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值（在每次训练批次后权重值发生变化时），并定期使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 ema_overwrite_frequency 步迭代，我们会用其移动平均值覆盖模型变量。如果为 None，则优化器不会在训练过程中覆盖模型变量，你需要通过调用 optimizer.finalize_variable_values() 在训练结束时显式覆盖变量（这将就地更新模型变量）。当使用内置的 fit() 训练循环时，这会在最后一个 epoch 后自动发生，你无需执行任何操作。
• loss_scale_factor: 浮点数或 None。如果为浮点数，则在计算梯度之前将损失乘以比例因子，并在更新变量之前将梯度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非常有用。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。这称为“梯度累积”。当你的批次大小非常小时，这很有用，以便在每个更新步骤减少梯度噪声。EMA 频率将查看“累积”迭代值（优化器步骤 // gradient_accumulation_steps）。学习率调度将查看“实际”迭代值（优化器步骤）。

参考文献

• Kingma et al., 2014