keras_8_优化器 Optimizers

1. 优化器的使用

1. 优化器(optimizer)是编译Keras模型的所需的两个参数之一：

   from keras import optimizers
   
   model = Sequential()
   model.add(Dense(64, kernel_initializer='uniform', input_shape=(10,)))
   model.add(Activation('tanh'))
   model.add(Activation('softmax'))
   
   # 你可以先实例化一个优化器对象，然后将它传入model.compile()
   sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
   model.compile(loss='mean_squared_error', optimizer=sgd)
   
   # 或者你可以通过名称来调用优化器。在后一种情况下，将使用优化器的默认参数。
   # 传入优化器名称: 默认参数将被采用
   model.compile(loss='mean_squared_error', optimizer='sgd')

2. Keras优化器的公共参数

• 参数clipnorm和clipvalue能在所有的优化器中使用，用于控制梯度裁剪（Gradient Clipping）：

  # Gradient Clipping可以理解为：gradient过大时把它降一点，比如取其一半；梯度过小时把它放大一点，比如取其1.5倍
  
  from keras import optimizers
  # 所有参数梯度将被裁剪，让其l2范数最大为1：g * 1 / max(1, l2_norm)
  sgd = optimizers.SGD(lr=0.01, clipnorm=1.)
  
  from keras import optimizers
  # 所有参数d 梯度将被裁剪到数值范围内：
  # 最大值0.5
  # 最小值-0.5
  sgd = optimizers.SGD(lr=0.01, clipvalue=0.5)

3. keras支持的Optimizers

1. SGD
   • 随机梯度下降优化器。包含扩展功能的支持： - 动量（momentum）优化, - 学习率衰减（每次参数更新后） - Nestrov动量(NAG)优化
2. RMSprop
   • RMSProp优化器。建议使用优化器的默认参数 （除了学习率lr，它可以被自由调节）。这个优化器通常是训练循环神经网络RNN的不错选择。
3. Adagrad
   • Adagrad优化器。Adagrad是一种具有特定参数学习率的优化器，它根据参数在训练期间的更新频率进行自适应调整。 参数接收的更新越多，更新越小。建议使用优化器的默认参数。
4. Adadelta
   • Adadelta优化器。Adadelta是Adagrad的一个具有更强鲁棒性的的扩展版本，它不是累积所有过去的梯度，而是根据渐变更新的移动窗口调整学习速率。 这样，即使进行了许多更新，Adadelta仍在继续习。与Adagrad相比，在Adadelta的原始版本中，您无需设置初始学习率。 在此版本中，与大多数其他Keras优化器一样，可以设置初始学习速率和衰减因子。建议使用优化器的默认参数。
5. Adam(cs231n推荐用这个)
   • Adam优化器。默认参数遵循原论文中提供的值。
6. Adamax
   • Adamax优化器，来自Adam论文的第七小节。它是Adam算法基于无穷范数（infinity norm）的变种。 默认参数遵循论文中提供的值。
7. Nadam
   • Nesterov版本Adam优化器。正像Adam本质上是RMSProp与动量momentum的结合， Nadam是采用Nesterov momentum版本的Adam优化器。默认参数遵循论文中提供的值。 建议使用优化器的默认参数。

4. TFOptimizer

• 原生Tensorlfow优化器的包装类（wrapper class）。

转载于:https://www.cnblogs.com/LS1314/p/10380634.html