深度学习优化算法：Adam算法

原文链接：动手学深度学习pytorch版：7.8 Adam算法
github：https://github.com/ShusenTang/Dive-into-DL-PyTorch

[1] Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
论文链接

Adam算法

Adam算法在RMSProp算法基础上对小批量随机梯度也做了指数加权移动平均 [1]。下面我们来介绍这个算法。

所以Adam算法可以看做是RMSProp算法与动量法的结合。

算法

Adam 算法使用了动量变量 $v_t$ 和 RMSProp 算法中小批量随机梯度按元素平方的指数加权移动平均变量 $s_t$，并子时间步0将它们中每个元素初始化为0。给定超参数 $0\le {\beta }_1<1$ （算法作者建议设置为 0.9），时间步 $t$ 的动量变量 $v_t$ 即小批量随机梯度 $g_t$ 的质数加权移动平均：
$${\text{v}}_t\leftarrow {\beta }_1{\text{v}}_{t-1}+(1-{\beta }_1)g_t$$

和RMSProp算法中一样，给定超参数$0\le {\beta }_2<1$（算法作者建议设为0.999），将小批量随机梯度按元素平方后的项 $g_t\odot g_t$ 做指数加权移动平均得到 $s_t$：
$$s_t\leftarrow {\beta }_2{s}_{t-1}+(1-{\beta }_2)g_t\odot g_t$$

由于我们将 $v_0$ 和 $s_0$ 中的元素都初始化为0， 在时间步 $t$ 我们得到 $v_t=(1-{\beta }_1){\sum }_{i=1}^t{\beta }_1^{t-i}{g}_i$。将过去各时间步小批量随机梯度的权值相加，得到 $(1-{\beta }_1){\sum }_{i=1}^t{\beta }_1^{t-i}=1-{\beta }_1^t$ 。需要注意的是，当 $t$ 较小时，过去各时间步小批量随机梯度权值之和会较小。例如，当 ${\beta }_1=0.9$时，$v_1=0.1g_1$。为了消除这样的影响，对于任意时间步 $t$，我们可以将 $v_t$ 再除以 $1-{\beta }_1^t$，从而使过去各时间步小批量随机梯度权值之和为1.这也叫做偏差修正。在 Adam 算法中，我们对变量 $v_t$ 和 $s_t$ 均作偏差修正：
$${\hat{v}}_t\leftarrow \frac{v_t}{1-{\beta }_1^t}$$
$$\hat{s}\leftarrow \frac{s_t}{1-{\beta }_2^t}$$

接下来，Adam算法使用以上偏差修正后的变量 ${\hat{v}}_t$ 和 $\hat{s}$ ，将模型参数中每个元素的学习率通过按元素运算重新调整：
$$g{{}^{\prime }}_t\leftarrow \frac{\eta {\hat{v}}_t}{\sqrt{{\hat{s}}_t}+\epsilon }$$
其中 $\eta$ 是学习率，$ϵ$ 是为了维持数值稳定性而添加的常数，如 $10^{-8}$。和 AdaGrad 算法、RMSProp 算法以及AdaDelta 算法一样，目标函数自变量中每个元素都分别拥有自己的学习率。最后，使用 $g_t^{\prime }$ 迭代自变量：
$$x_t\leftarrow x_{t-1}-g_t^{{}^{\prime }}$$

从零开始实现

我们按照Adam算法中的公式实现该算法。其中时间步 $t$ 通过 hyperparams 参数传入 adam 函数。

%matplotlib inline
import torch
import sys
sys.path.append("..") 
import d2lzh_pytorch as d2l

features, labels = d2l.get_data_ch7()

def init_adam_states():
    v_w, v_b = torch.zeros((features.shape[1], 1), dtype=torch.float32), torch.zeros(1, dtype=torch.float32)
    s_w, s_b = torch.zeros((features.shape[1], 1), dtype=torch.float32), torch.zeros(1, dtype=torch.float32)
    return ((v_w, s_w), (v_b, s_b))

def adam(params, states, hyperparams):
    beta1, beta2, eps = 0.9, 0.999, 1e-6
    for p, (v, s) in zip(params, states):
        v[:] = beta1 * v + (1 - beta1) * p.grad.data
        s[:] = beta2 * s + (1 - beta2) * p.grad.data**2
        v_bias_corr = v / (1 - beta1 ** hyperparams['t'])
        s_bias_corr = s / (1 - beta2 ** hyperparams['t'])
        p.data -= hyperparams['lr'] * v_bias_corr / (torch.sqrt(s_bias_corr) + eps)
    hyperparams['t'] += 1

使用学习率为0.01的Adam算法来训练模型。

d2l.train_ch7(adam, init_adam_states(), {'lr': 0.01, 't': 1}, features, labels)

输出：

loss: 0.245370, 0.065155 sec per epoch

简洁实现

通过名称为“Adam”的优化器实例，我们便可使用PyTorch提供的Adam算法。

d2l.train_pytorch_ch7(torch.optim.Adam, {'lr': 0.01}, features, labels)

输出：

loss: 0.242066, 0.056867 sec per epoch

小结

• Adam算法在RMSProp算法的基础上对小批量随机梯度也做了指数加权移动平均。
• Adam算法使用了偏差修正。