► Keras 3 API 文档 / 优化器 / AdamW

AdamW

[源代码]

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，它基于对一阶和二阶矩的自适应估计，并添加了一种根据论文“Decoupled Weight Decay Regularization”中讨论的技术衰减权重的方法，作者为 Loshchilov、Hutter 等人，2019 年。

根据 Kingma 等人，2014 年 的说法，底层的 Adam 方法“在计算上效率很高，内存需求很小，对梯度的对角线重新缩放不变，并且非常适合数据/参数量很大的问题”。

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，或一个不带参数并返回实际值的可调用对象。第一矩估计的指数衰减率。默认为 0.9。
  • beta_2：浮点值或常量浮点张量，或一个不带参数并返回实际值的可调用对象。第二矩估计的指数衰减率。默认为 0.999。
  • epsilon：一个小常数，用于数值稳定性。此 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”（在第 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“On the Convergence of Adam and beyond”中提出的此算法的 AMSGrad 变体。默认为 False。
  • name：字符串。优化器创建的动量累加器权重使用的名称。
  • 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（因为权重值在每个训练批次后都会发生变化），并定期用它们的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 ema_overwrite_frequency 步迭代，我们都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()（它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。这对于防止混合精度训练期间的下溢很有用。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都更新；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”。当您的批次大小非常小时，这很有用，以便在每次更新步骤中减少梯度噪声。EMA 频率将查看“累积”迭代值（优化器步数 // 梯度累积步数）。学习率调度将查看“真实”迭代值（优化器步数）。

参考文献

AdamW
AdamW 类