► Keras 3 API documentation / Optimizers / Adagrad

Adagrad

[source]

Adagrad 類別

keras.optimizers.Adagrad(
    learning_rate=0.001,
    initial_accumulator_value=0.1,
    epsilon=1e-07,
    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="adagrad",
    **kwargs
)

實作 Adagrad 演算法的 Optimizer。

Adagrad 是一種具有參數特定學習率的 Optimizer，其學習率會根據參數在訓練期間更新的頻率進行調整。參數接收的更新越多，更新幅度就越小。

Arguments

  • learning_rate：浮點數、keras.optimizers.schedules.LearningRateSchedule 實例，或是不接受任何引數並傳回要使用之實際值的可調用物件。學習率。預設值為 0.001。請注意，與其他 Optimizer 相比，Adagrad 往往受益於較高的初始學習率值。若要符合原始論文中的確切形式，請使用 1.0。
  • initial_accumulator_value：浮點數值。累加器（每個參數的動量值）的起始值。必須為非負數。
  • epsilon：用於維持數值穩定性的小浮點數值。
  • name：字串。用於 Optimizer 建立的動量累加器權重的名稱。
  • weight_decay：浮點數。如果設定，則套用權重衰減。
  • clipnorm：浮點數。如果設定，則會個別剪裁每個權重的梯度，使其範數不高於此值。
  • clipvalue：浮點數。如果設定，則會剪裁每個權重的梯度，使其不高於此值。
  • global_clipnorm：浮點數。如果設定，則會剪裁所有權重的梯度，使其全域範數不高於此值。
  • use_ema：布林值，預設為 False。如果為 True，則套用指數移動平均 (EMA)。EMA 包括計算模型權重的指數移動平均（隨著權重值在每個訓練批次後變更），並定期以其移動平均值覆寫權重。
  • ema_momentum：浮點數，預設為 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，預設為 None。僅在 use_ema=True 時使用。每 ema_overwrite_frequency 迭代步驟，我們會以模型的移動平均值覆寫模型變數。如果為 None，則 Optimizer 不會在訓練期間覆寫模型變數，您需要在訓練結束時呼叫 optimizer.finalize_variable_values() (這會就地更新模型變數) 來明確覆寫變數。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，比例因子會乘以損失，並且在更新變數之前，比例因子的倒數會乘以梯度。這對於防止混合精度訓練期間的下溢很有用。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 Optimizer 變數不會在每個步驟更新；而是每 gradient_accumulation_steps 步驟更新一次，使用自上次更新以來的梯度平均值。這稱為「梯度累積」。當您的批次大小非常小時，這可能很有用，以便減少每個更新步驟的梯度雜訊。EMA 頻率將查看「累積」迭代值 (Optimizer 步驟 // gradient_accumulation_steps)。學習率排程將查看「實際」迭代值 (Optimizer 步驟)。

參考文獻

Adagrad
Adagrad 類別