tf.train.AdamOptimizer()函数解析

最新推荐文章于 2025-05-29 18:41:33 发布

原创最新推荐文章于 2025-05-29 18:41:33 发布 · 2.9w 阅读

115 ·

CC 4.0 BY-SA版权

tensorflow 专栏收录该内容

15 篇文章

订阅专栏

本文深入解析了tf.train.AdamOptimizer函数，介绍了Adam优化算法的工作原理及其参数设置，包括学习率、一阶和二阶矩估计的指数衰减率等。通过实例代码展示了如何在TensorFlow中使用Adam优化器进行参数更新，以及如何自适应地调整学习率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tf.train.AdamOptimizer()函数是Adam优化算法：是一个寻找全局最优点的优化算法，引入了二次方梯度校正。

tf.train.AdamOptimizer.__init__(
	learning_rate=0.001, 
	beta1=0.9, 
	beta2=0.999, 
	epsilon=1e-08, 
	use_locking=False, 
	name='Adam'
)

参数：

learning_rate:张量或浮点值。学习速率
beta1:一个浮点值或一个常量浮点张量。一阶矩估计的指数衰减率
beta2:一个浮点值或一个常量浮点张量。二阶矩估计的指数衰减率
epsilon:数值稳定性的一个小常数
use_locking:如果True，要使用lock进行更新操作
name:应用梯度时为了创建操作的可选名称。默认为“Adam”

本质上是带有动量项的RMSprop，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。
在这里插入图片描述

代码理解

实际上运行tf.train.AdamOptimizer(),除了利用反向传播算法对权重和偏置项进行修正外，也在运行中不断修正学习率。根据其损失量学习自适应，损失量大则学习率大，进行修正的角度越大，损失量小，修正的幅度也小，学习率就小，但是不会超过自己所设定的学习率。

lr = 0.1
step_rate = 1000
decay = 0.95

global_step = tf.Variable(0, trainable=False)
increment_global_step = tf.assign(global_step, global_step + 1)
learning_rate = tf.train.exponential_decay(lr, global_step, step_rate, decay, staircase=True)

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate, epsilon=0.01)
trainer = optimizer.minimize(loss_function)

# Some code here

print('Learning rate: %f' % (sess.run(trainer ._lr)))

参考文章
tensorflow tf.train.AdamOptimizer