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

• Kingma et al., 2014