AdamW

`AdamW` 類別

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
)

實作 AdamW 演算法的最佳化器。

AdamW 最佳化是一種隨機梯度下降方法，它基於一階和二階動量的自適應估計，並額外加入一種方法來根據 Loshchilov, Hutter 等人於 2019 年發表的論文「解耦權重衰減正規化」中所討論的技術來衰減權重。

根據 Kingma 等人，2014 的說法，底層的 Adam 方法「計算效率高、記憶體需求少、對梯度對角縮放不變，並且非常適合數據/參數量大的問題」。

參數

learning_rate：一個浮點數，一個 keras.optimizers.schedules.LearningRateSchedule 實例，或一個不接受任何參數並回傳實際使用值的可呼叫物件。學習率。預設為 0.001。
beta_1：一個浮點數值或一個常數浮點數張量，或一個不接受任何參數並回傳實際使用值的可呼叫物件。用於一階動量估計的指數衰減率。預設為 0.9。
beta_2：一個浮點數值或一個常數浮點數張量，或一個不接受任何參數並回傳實際使用值的可呼叫物件。用於二階動量估計的指數衰減率。預設為 0.999。
epsilon：一個用於數值穩定性的小常數。這個 epsilon 是 Kingma 和 Ba 論文中的「epsilon 帽」（在 2.1 節之前的公式中），而不是論文演算法 1 中的 epsilon。預設為 1e-7。
amsgrad：布林值。是否應用論文「On the Convergence of Adam and beyond」中的此演算法的 AMSGrad 變體。預設為 False。
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，則會應用權重衰減。
clipnorm：浮點數。如果設定，則會單獨剪裁每個權重的梯度，使其範數不超過此值。
clipvalue：浮點數。如果設定，則會剪裁每個權重的梯度，使其不超過此值。
global_clipnorm：浮點數。如果設定，則會剪裁所有權重的梯度，使其整體範數不超過此值。
use_ema：布林值，預設為 False。如果為 True，則會應用指數移動平均 (EMA)。EMA 包含計算模型的權重的指數移動平均（因為權重值在每個訓練批次後都會變更），並定期使用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。這是計算模型權重的 EMA 時使用的動量：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 次迭代步驟，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透過呼叫 optimizer.finalize_variable_values() 來明確覆寫變數（這會原地更新模型變數）。當使用內建的 fit() 訓練迴圈時，這會在最後一個週期後自動發生，您無需執行任何操作。
loss_scale_factor：浮點數或 None。如果為浮點數，則會在計算梯度之前將損失乘以縮放係數，並且在更新變數之前將梯度乘以縮放係數的倒數。這對於在混合精度訓練期間防止下溢非常有用。或者，keras.optimizers.LossScaleOptimizer 會自動設定損失縮放係數。
gradient_accumulation_steps：整數或 None。如果為整數，則不會在每個步驟更新模型和最佳化器變數；相反，它們會在每 gradient_accumulation_steps 步更新，使用自上次更新以來的平均梯度值。這稱為「梯度累積」。當您的批次大小非常小時，這會很有用，以便在每個更新步驟中減少梯度雜訊。EMA 頻率會查看「累積」迭代值（最佳化器步驟 // gradient_accumulation_steps）。學習率排程會查看「實際」迭代值（最佳化器步驟）。

參考文獻

AdamW

AdamW 類別

AdamW

AdamW 類別

`AdamW` 類別