Adam算法是一种自适应动量优化方法，常用于深度学习中的梯度下降。它结合了一阶矩和二阶矩的估计，通过校正一阶和二阶矩的偏置来平滑梯度更新，同时提供自适应学习率。Adam算法的优点包括梯度平滑过渡、环境感知能力和可解释的超参数。
Adam论文：https://arxiv.org/pdf/1412.6980.pdf
(一)、什么是Adam算法?
Adam（Adaptive momentum）是一种自适应动量的随机优化方法（A method for stochastic optimization），经常作为深度学习中的优化器算法。
(二)、Adam算法如何实现？
(1). 上图就是Adam优化算法在深度学习应用于梯度下降方法的详细过程，有一些参数要做出说明：
- t t t：更新的步数（steps）
- α \alpha α：学习率，用于控制步幅（stepsize）
- θ \theta θ：要求解（更新）的参数
- f ( θ ) f(\theta) f(θ)：带有参数 θ \theta θ的随机目标函数，一般指损失函数
- g t g_t gt：目标函数 f ( θ ) f(\theta) f(θ)对 θ \theta θ求导所得梯度
- β 1 \beta_1 β1：一阶矩衰减系数
- β 2 \beta_2 β2：二阶矩衰减系数
- m t m_t mt：梯度 g t g_t gt的一阶矩，即梯度 g t g_t gt的期望
- v t v_t vt：梯度 g t g_t gt的二阶矩，即梯度 g t 2 g_t^2 gt2的期望
- m t ^ \hat{m_t} mt^： m t m_t mt的偏置矫正，考虑到 m t m_t mt
最低0.47元/天 解锁文章
扫一扫
1379
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
