【深度学习】Adam优化器
目录
1 什么是Adam
1.1 基本概念
1.2 Adam的数学理解
1.2.1 计算一阶矩估计（mean）
1.2.2 计算二阶矩估计（uncentered variance）
1.2.3 矫正一阶矩估计（mean）和二阶矩估计（uncentered variance）的偏差
1.2.4 更新模型参数
1.3 Adam的简单理解
2 Adam优化算法怎么用
2.1 导入所需的库和模块
2.2 定义模型和损失函数
2.3 定义优化器
2.4 在训练循环中使用优化器
参考资料
本人为小白，欢迎补充！
1 什么是Adam
1.1 基本概念
Adam（Adaptive Moment Estimation）是一种优化算法，广泛应用于神经网络的训练过程中。它结合了自适应学习率和动量的概念，旨在提高梯度下降算法的效率和收敛速度。
Adam算法的核心思想是根据历史梯度的一阶矩估计（均值）和二阶矩估计（方差）自适应地调整学习率。具体来说，Adam算法会计算每个模型参数的梯度的指数移动平均值和指数移动平均值的平方根，然后使用这些平均值来调整每个参数的学习率。这样可以让学习率在训练过程中自适应地适应不同参数的梯度变化情况，从而提高训练的效果。
Adam算法还引入了动量的概念，在更新参数时加入动量项，可以在梯度变化较小时平稳更新，在梯度变化较大时加速更新，从而加快收敛速度。
总结来说，Adam算法通过自适应地调整学习率和引入动量的方式，能够有效地优化神经网络的训练过程，提高模型的收敛速度和性能。
1.2 Adam的数学理解
Adam（Adaptive Moment Estimation，自适应矩估计）优化算法是一种基于梯度的优化算法，结合了动量法和RMSProp算法的特性。
Adam算法维护了两个动量变量（momentum），分别是一阶矩估计（mean）和二阶矩估计（uncentered variance）。给定一个目标函数的梯度gt，则Adam的更新步骤可以表示为：
1.2.1 计算一阶矩估计（mean）
mt = beta1 * mt-1 + (1 - beta1) * gt
其中，mt是一阶矩估计，beta1是动量的衰减因子，通常取0.9。
1.2.2 计算二阶矩估计（uncentered variance）
vt = beta2 * vt-1 + (1 - beta2) * gt^2
其中，vt是二阶矩估计，beta2是二阶矩估计的衰减因子，通常取0.999。
1.2.3 矫正一阶矩估计（mean）和二阶矩估计（uncentered variance）的偏差
mt_hat = mt / (1 - beta1^t)
vt_hat = vt / (1 - beta2^t)
其中，t表示当前的迭代步数。
1.2.4 更新模型参数
theta(t) = theta(t-1) - learning_rate * mt_hat / (sqrt(vt_hat) + epsilon)
其中，theta表示模型参数，learning_rate表示学习率，epsilon是一个很小的数，用于防止除以零。
Adam算法通过同时考虑梯度的一阶矩估计和二阶矩估计，可以自适应地调整学习率，适应不同参数的梯度变化情况。一阶矩估计相当于动量法，用于平滑梯度的变化；二阶矩估计相当于RMSProp算法，用于自适应地调整学习率的大小。
Adam算法的优势在于对于大多数问题，具有很好的效果。它具有快速收敛速度、适应性学习率和稳定的性能。
1.3 Adam的简单理解
Adam优化算法是一种常用的梯度下降优化算法，用于训练深度学习模型。它结合了动量优化和自适应学习率的思想，具有快速收敛和适应不同参数的优势。
简单来说，Adam算法的核心思想是根据不同参数的梯度情况自适应地调整学习率。它维护了一个动量变量（momentum）和一个自适应学习率变量（learning rate），通过计算梯度的一阶矩估计（mean）和二阶矩估计（variance）来更新参数。
具体来说，Adam算法在每一步中计算每个参数的梯度，并更新动量变量和自适应学习率变量。然后，根据动量和自适应学习率来调整参数的更新量，使得梯度下降更加平稳且高效。动量变量可以看作是之前梯度方向的累积，有助于加速收敛；自适应学习率变量可以根据参数的梯度进行相应调整，适应不同参数的特性，从而提高学习效果。
总的来说，Adam优化算法在深度学习中广泛应用，能够较好地克服常规梯度下降算法的一些问题，例如学习率的选择和参数更新的不稳定性。
2 Adam优化算法怎么用
在代码中使用Adam优化算法通常需要以下步骤：
2.1 导入所需的库和模块
例如，导入PyTorch库可以使用以下代码：
import torch.optim as optim
2.2 定义模型和损失函数
根据具体任务需求，定义神经网络模型和损失函数。例如，定义一个简单的多层感知机模型和交叉熵损失函数：
import torch.nn as nn
model = nn.Sequential(
nn.Linear(input_size, hidden_size),
nn.ReLU(),
nn.Linear(hidden_size, output_size)
)
criterion = nn.CrossEntropyLoss()
2.3 定义优化器
使用Adam优化算法，可以通过创建一个Adam优化器对象来实现。在创建Adam优化器对象时，需要传入模型的参数和学习率等超参数。例如：
learning_rate = 0.001
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
2.4 在训练循环中使用优化器
在每个训练批次中，需要执行以下步骤：
- 将模型参数的梯度归零，使用
optimizer.zero_grad()方法。 - 进行前向传播计算输出。
- 根据输出和训练样本的目标值，计算损失。
- 执行反向传播，计算梯度。
- 调用优化器的
step()方法更新模型的参数。
以下是一个简单的训练循环示例：
for epoch in range(num_epochs):
# ... 数据加载和预处理 ...
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, targets)
loss.backward()
optimizer.step()
# ... 打印和记录训练过程 ...
通过以上步骤，就可以在代码中使用Adam优化算法来训练神经网络模型。
参考资料
- Adam优化器（理论、公式、代码）-CSDN博客
- Adam 优化器背后的数学原理 - 知乎