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 是基于无限范数的 Adam 的变体,是一种一阶梯度下降优化方法。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,例如语音数据在动态变化的噪声条件下的学习。默认参数遵循论文中提供的参数(参见下面的参考文献)。

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 和梯度 g 的更新规则在论文第 7.1 节的末尾进行了描述(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,keras.optimizers.schedules.LearningRateSchedule 实例,或一个不带参数并返回实际值的可调用对象。学习率。默认为 0.001
  • beta_1:浮点值或常量浮点张量。第一矩估计的指数衰减率。
  • beta_2:浮点值或常量浮点张量。指数加权无限范数的指数衰减率。
  • epsilon:用于数值稳定性的小常数。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,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(权重值在每个训练批次后都会发生变化),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,我们就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,您需要在训练结束时显式覆盖变量,方法是调用 optimizer.finalize_variable_values()(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,并且在更新变量之前,梯度将乘以比例因子的倒数。这有助于在混合精度训练期间防止下溢。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“实际”迭代值(优化器步骤)。

参考文献