Adamax

[源代码]

Adamax

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性调整学习率,因此适合学习随时间变化的进程,例如噪声条件动态变化的语音数据。默认参数遵循论文中提供的参数(见下面的参考文献)。

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 在梯度 g 下的更新规则在论文的第 7.1 节末尾进行了描述(参见参考文献部分)

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:浮点数,一个 keras.optimizers.schedules.LearningRateSchedule 实例,或一个不接受任何参数并返回实际值的可调用对象。学习率。默认为 0.001
  • beta_1:浮点数值或常量浮点张量。第一动量估计的指数衰减率。
  • beta_2:浮点数值或常量浮点张量。指数加权无穷范数的指数衰减率。
  • epsilon:用于数值稳定的小常数。 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,每个权重的梯度将被单独剪裁,使其范数不超过该值。
  • clipvalue:浮点数。如果设置,每个权重的梯度将被剪裁,使其值不超过该值。
  • global_clipnorm:浮点数。如果设置,所有权重的梯度将被剪裁,使其全局范数不超过该值。
  • 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(因为权重值在每个训练批次后会发生变化),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:整型或 None,默认为 None。仅在 use_ema=True 时使用。每 ema_overwrite_frequency 迭代步数,我们会用模型的移动平均值覆盖模型变量。如果为 None,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() 来显式覆盖变量(这会原地更新模型变量)。使用内置的 fit() 训练循环时,这会在最后一个 epoch 之后自动发生,您无需进行任何操作。
  • loss_scale_factor:浮点数或 None。如果是浮点数,在计算梯度之前会将损失乘以该比例因子,并在更新变量之前将梯度乘以比例因子的倒数。这对于在混合精度训练期间防止下溢很有用。另外,keras.optimizers.LossScaleOptimizer 会自动设置损失比例因子。
  • gradient_accumulation_steps:整型或 None。如果是整型,模型和优化器变量不会在每个步骤都更新;而是在每 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”。当您的批量大小非常小,为了减少每个更新步骤的梯度噪声时,这非常有用。EMA 频率将查看“累积”迭代值(优化器步数 // gradient_accumulation_steps)。学习率调度器将查看“真实”迭代值(优化器步数)。

参考文献