AdamW

[源]

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