AdamW

[源]

AdamW 类

keras.optimizers.AdamW(
    learning_rate=0.001,
    weight_decay=0.004,
    beta_1=0.9,
    beta_2=0.999,
    epsilon=1e-07,
    amsgrad=False,
    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="adamw",
    **kwargs
)

实现 AdamW 算法的优化器。

AdamW 优化是一种随机梯度下降方法，它基于一阶和二阶矩的自适应估计，并增加了一种根据论文“解耦权重衰减正则化”（作者：Loshchilov, Hutter et al., 2019）中讨论的技术来衰减权重的方法。

根据 Kingma et al., 2014 的说法，基础的 Adam 方法“计算效率高，内存需求小，对梯度的对角重缩放不变，并且非常适合数据/参数规模庞大的问题”。

参数

• 学习率：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实际值的可调用对象。学习率。默认为 0.001。
• beta_1：一个浮点值或常量浮点张量，或者一个不接受任何参数并返回实际值的可调用对象。一阶矩估计的指数衰减率。默认为 0.9。
• beta_2：一个浮点值或常量浮点张量，或者一个不接受任何参数并返回实际值的可调用对象。二阶矩估计的指数衰减率。默认为 0.999。
• epsilon：一个用于数值稳定的小常数。这个 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”（在 2.1 节之前的公式中），而不是论文算法 1 中的 epsilon。默认为 1e-7。
• amsgrad：布尔值。是否应用论文“Adam 及其之外的收敛性”中的 AMSGrad 变体算法。默认为 False。
• 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，则对每个权重的梯度进行单独裁剪，使其范数不超过此值。
• clipvalue：浮点数。如果设置，则将每个权重的梯度裁剪到不超过此值。
• global_clipnorm：浮点数。如果设置，则对所有权重的梯度进行裁剪，使其全局范数不超过此值。
• 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（随着每个训练批次后权重的变化），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。每经过 ema_overwrite_frequency 次迭代步骤，我们就用模型变量的移动平均值覆盖它。如果为 None，优化器在训练过程中不会覆盖模型变量，你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 后自动发生，你无需执行任何操作。
• loss_scale_factor：浮点数或 None。如果是一个浮点数，在计算梯度之前，损失会乘以比例因子；在更新变量之前，梯度会乘以比例因子的倒数。这对于混合精度训练期间防止下溢非常有用。另外，keras.optimizers.LossScaleOptimizer 会自动设置一个损失比例因子。
• gradient_accumulation_steps：整数或 None。如果是一个整数，模型和优化器变量不会在每一步更新；而是每隔 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”。当你的批次大小非常小时，这有助于减少每次更新步骤中的梯度噪声。EMA 频率会查看“累积”迭代次数（优化器步骤 // gradient_accumulation_steps）。学习率调度器会查看“真实”迭代次数（优化器步骤）。

参考文献

• Loshchilov et al., 2019
• Kingma et al., 2014 关于 adam 的文献
• Reddi et al., 2018 关于 amsgrad 的文献。