关于深度学习模型训练过程中的Exponential Moving Average(EMA,指数移动平均)

指数移动平均(exponential moving average),也叫做权重移动平均(weighted moving average),可以用来估计变量的局部均值,使得变量的更新与一段时间内的历史取值有关。在采用 SGD 或者其他的一些优化算法 (Adam, Momentum) 训练神经网络时,通常会使用EMA的方法。 它的意义在于利用滑动平均的参数来提高模型在测试数据上的健壮性。(在SGD优化算法中,也会通过使用动量或者改变学习率的方式加快收敛速度)。

简单来讲就是,通过在模型学习过程中融合更多的历史状态,从而达到更好的优化效果

公式:(其中,avg_model_param是影子权重,model_param是模型权重,decay是衰减率。该定义和EMA公式是一模一样的。)

decay * avg_model_param + (1 - decay) * model_param

链接:【代码解读】在pytorch中使用EMA - 知乎 (zhihu.com)icon-default.png?t=N5F7https://zhuanlan.zhihu.com/p/479898259

【炼丹技巧】指数移动平均(EMA)的原理及PyTorch实现 - 知乎 (zhihu.com)icon-default.png?t=N5F7https://zhuanlan.zhihu.com/p/68748778

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值