AdamW

[source]

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
)

实现了 AdamW 算法的优化器。

AdamW 优化是一种随机梯度下降方法，它基于一阶矩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”（Loshchilov, Hutter 等, 2019）中讨论的技术来衰减权重的方法。

根据 Kingma 等, 2014，底层 Adam 方法“计算效率高，内存需求少，对梯度对角重缩放不变，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，或一个不接受参数并返回要使用的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，或一个不接受参数并返回要使用的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: 浮点数值或常量浮点张量，或一个不接受参数并返回要使用的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: 用于数值稳定性的一个小常数。此 epsilon 是 Kingma 和 Ba 论文中的“epsilon hat”（在第 2.1 节之前的公式中），而不是论文算法 1 中的 epsilon。默认为 1e-7。
• amsgrad: 布尔值。是否应用论文“论 Adam 及其超越的收敛性”中的此算法的 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，则每个权重的梯度都会被裁剪为不高于此值。
• 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（随着权重值在每个训练批次后发生变化），并定期用其移动平均值覆盖权重。
• ema_momentum: 浮点数，默认为 0.99。仅当 use_ema=True 时使用。这是在计算模型权重的 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。仅当 use_ema=True 时使用。在每 ema_overwrite_frequency 步迭代中，我们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。当使用内置的 fit() 训练循环时，这会在最后一个 epoch 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，比例因子将与损失相乘，并且在更新变量之前，比例因子的倒数将与梯度相乘。这对于防止混合精度训练期间的下溢非常有用。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个步骤都更新；而是每 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，以便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）。学习率计划将查看“实际”迭代值（优化器步数）。

参考文献

• Loshchilov 等, 2019
• Kingma 等, 2014，针对 adam
• Reddi 等, 2018，针对 amsgrad。