AdamW

[源代码]

AdamW

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 Loshchilov、Hutter 等人于 2019 年发表的论文《解耦权重衰减正则化》中讨论的技术来衰减权重的方法。

根据 Kingma 等人,2014,底层的 Adam 方法“计算效率高,内存需求小,对梯度的对角重新缩放不变,并且非常适合数据/参数量大的问题”。

参数

  • learning_rate:浮点数、keras.optimizers.schedules.LearningRateSchedule 实例,或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,或不带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:浮点值或常量浮点张量,或不带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:用于数值稳定的小常数。此 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”(在第 2.1 节之前的公式中),而不是论文中算法 1 中的 epsilon。默认为 1e-7。
  • amsgrad:布尔值。是否应用论文“关于 Adam 收敛性及超越”中此算法的 AMSGrad 变体。默认为 False
  • name:字符串。用于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,每个权重的梯度将单独裁剪,使其范数不高于此值。
  • clipvalue:浮点数。如果设置,每个权重的梯度将被裁剪,使其不高于此值。
  • global_clipnorm:浮点数。如果设置,所有权重的梯度将被裁剪,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改变),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。每迭代 ema_overwrite_frequency 步,我们都会用其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()(这将就地更新模型变量)来显式覆盖变量。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,则在计算梯度之前将缩放因子乘以损失,并在更新变量之前将缩放因子的倒数乘以梯度。有助于防止混合精度训练期间的下溢。或者,keras.optimizers.LossScaleOptimizer 将自动设置损失缩放因子。
  • gradient_accumulation_steps:整数或 None。如果为整数,模型和优化器变量不会在每一步更新;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。这被称为“梯度累积”。当您的批次大小非常小时,这可能很有用,可以减少每个更新步骤的梯度噪声。EMA 频率将查看“累积”迭代值(优化器步数 // gradient_accumulation_steps)。学习率调度将查看“实际”迭代值(优化器步数)。

参考文献