AdamW

[原始碼]

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，其基於一階和二階動量的自適應估計，並加入了一種根據 Loshchilov、Hutter 等人於 2019 年發表的論文《Decoupled Weight Decay Regularization》中討論的技術來衰減權重的方法。

根據 Kingma 等人於 2014 年的研究，底層的 Adam 方法「計算效率高、記憶體需求小、對梯度對角重新縮放不變，且非常適合資料/參數量大的問題」。

參數

• learning_rate：浮點數、keras.optimizers.schedules.LearningRateSchedule 實例，或是不接受任何參數並傳回實際使用值的可呼叫物件。學習率。預設值為 0.001。
• beta_1：浮點數值或常數浮點張量，或是不接受任何參數並傳回實際使用值的可呼叫物件。一階動量估計的指數衰減率。預設值為 0.9。
• beta_2：浮點數值或常數浮點張量，或是不接受任何參數並傳回實際使用值的可呼叫物件。二階動量估計的指數衰減率。預設值為 0.999。
• epsilon：用於數值穩定性的小常數。此 epsilon 是 Kingma 和 Ba 論文中的「epsilon hat」（在第 2.1 節之前的公式中），而不是論文演算法 1 中的 epsilon。預設值為 1e-7。
• amsgrad：布林值。是否應用論文《On the Convergence of Adam and beyond》中此演算法的 AMSGrad 變體。預設值為 False。
• name：字串。用於最佳化器建立的動量累積器權重的名稱。
• weight_decay：浮點數。若設定，則應用權重衰減。
• clipnorm：浮點數。若設定，則個別裁剪每個權重的梯度，使其範數不高於此值。
• clipvalue：浮點數。若設定，則裁剪每個權重的梯度，使其不高於此值。
• global_clipnorm：浮點數。若設定，則裁剪所有權重的梯度，使其全域範數不高於此值。
• use_ema：布林值，預設值為 False。若為 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（隨著權重值在每個訓練批次後改變），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 ema_overwrite_frequency 迭代步驟，我們用其移動平均值覆寫模型變數。若為 None，則最佳化器不會在訓練期間覆寫模型變數，您需要在訓練結束時透過呼叫 optimizer.finalize_variable_values() 來明確覆寫變數（這會就地更新模型變數）。當使用內建的 fit() 訓練迴圈時，這會在最後一個 epoch 後自動發生，您無需執行任何操作。
• loss_scale_factor：浮點數或 None。若為浮點數，則縮放因子將在計算梯度之前乘以損失，而縮放因子的倒數將在更新變數之前乘以梯度。對於防止混合精度訓練期間的下溢很有用。或者，keras.optimizers.LossScaleOptimizer 將自動設定損失縮放因子。
• gradient_accumulation_steps：整數或 None。若為整數，則模型和最佳化器變數不會在每個步驟更新；而是每 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（最佳化器步驟 // gradient_accumulation_steps）。學習率排程將查看「真實」迭代值（最佳化器步驟）。

參考文獻

• Loshchilov et al., 2019
• Kingma et al., 2014，適用於 adam
• Reddi et al., 2018，適用於 amsgrad。