Adafactor

[原始碼]

Adafactor 類別

keras.optimizers.Adafactor(
    learning_rate=0.001,
    beta_2_decay=-0.8,
    epsilon_1=1e-30,
    epsilon_2=0.001,
    clip_threshold=1.0,
    relative_step=True,
    weight_decay=None,
    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="adafactor",
    **kwargs
)

實作 Adafactor 演算法的最佳化器。

Adafactor 常見於 NLP 任務中，並且具有記憶體用量較少的優勢，因為它僅儲存先前梯度Partial information（部分資訊）。

預設引數設定基於原始論文（請參閱參考文獻）。當梯度維度 > 2 時，Adafactor 最佳化器將在其累加器變數中分別刪除最後 2 個維度。

引數

• learning_rate：一個浮點數，一個 keras.optimizers.schedules.LearningRateSchedule 實例，或一個不接受引數並返回要使用的實際值的可呼叫物件。學習率。預設值為 0.001。
• beta_2_decay：浮點數，預設值為 -0.8。beta_2 的衰減率。
• epsilon_1：浮點數，預設值為 1e-30。一個小偏移量，以使分母遠離 0。
• epsilon_2：浮點數，預設值為 1e-3。一個小偏移量，以避免學習率隨時間變得太小。
• clip_threshold：浮點數，預設值為 1.0。裁剪閾值。這是 Adafactor 演算法的一部分，獨立於 clipnorm、clipvalue 和 global_clipnorm。
• relative_step：布林值，預設值為 True。如果 learning_rate 是常數且 relative_step=True，則學習率將根據當前迭代次數進行調整。這是 Adafactor 中的預設學習率衰減。
• name：字串。用於最佳化器建立的動量累加器權重的名稱。
• weight_decay：浮點數。如果設定，則應用權重衰減。
• clipnorm：浮點數。如果設定，則每個權重的梯度都會被個別裁剪，使其範數不超過此值。
• clipvalue：浮點數。如果設定，則每個權重的梯度都會被裁剪，使其不超過此值。
• global_clipnorm：浮點數。如果設定，則所有權重的梯度都會被裁剪，使其全局範數不超過此值。
• use_ema：布林值，預設值為 False。如果為 True，則應用指數移動平均 (EMA)。EMA 包括計算模型權重的指數移動平均值（因為權重值在每個訓練批次後都會更改），並定期用其移動平均值覆寫權重。
• ema_momentum：浮點數，預設值為 0.99。僅在 use_ema=True 時使用。這是計算模型權重 EMA 時要使用的動量：new_average = ema_momentum * old_average + (1 - ema_momentum) * current_variable_value。
• ema_overwrite_frequency：整數或 None，預設值為 None。僅在 use_ema=True 時使用。每隔 ema_overwrite_frequency 迭代步驟，我們就會用其移動平均值覆寫模型變數。如果為 None，則最佳化器不會在訓練過程中覆寫模型變數，您需要在訓練結束時通過呼叫 optimizer.finalize_variable_values()（這會就地更新模型變數）來顯式覆寫變數。當使用內建的 fit() 訓練迴圈時，這會在最後一個 epoch 後自動發生，您無需執行任何操作。
• loss_scale_factor：浮點數或 None。如果為浮點數，則在計算梯度之前，比例因子將乘以損失，並且在更新變數之前，比例因子的倒數將乘以梯度。有助於防止混合精度訓練期間的下溢。或者，keras.optimizers.LossScaleOptimizer 將自動設定損失比例因子。
• gradient_accumulation_steps：整數或 None。如果為整數，則模型和最佳化器變數不會在每個步驟更新；而是每隔 gradient_accumulation_steps 步驟更新一次，使用自上次更新以來的梯度平均值。這被稱為「梯度累積」。當您的批次大小非常小時，這可能很有用，以減少每個更新步驟中的梯度雜訊。EMA 頻率將查看「累積」迭代值（最佳化器步驟 // gradient_accumulation_steps）。學習率排程將查看「實際」迭代值（最佳化器步驟）。

參考文獻

• Shazeer, Noam et al., 2018.