Python tf.compat.v1.train.AdamOptimizer用法及代碼示例

實現 Adam 算法的優化器。

繼承自：Optimizer

用法

tf.compat.v1.train.AdamOptimizer(
    learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False,
    name='Adam'
)

遷移到 TF2

警告：這個 API 是為 TensorFlow v1 設計的。繼續閱讀有關如何從該 API 遷移到本機 TensorFlow v2 等效項的詳細信息。見TensorFlow v1 到 TensorFlow v2 遷移指南有關如何遷移其餘代碼的說明。

tf.compat.v1.train.AdamOptimizer 與 Eager 模式和 tf.function 兼容。啟用即刻執行後，learning_rate , beta1 , beta2 和 epsilon 都可以是不帶參數並返回要使用的實際值的可調用對象。這對於在優化器函數的不同調用中更改這些值很有用。

要切換到原生 TF2 樣式，請改用 tf.keras.optimizers.Adam。請注意，由於實現的差異，tf.keras.optimizers.Adam 和tf.compat.v1.train.AdamOptimizer 在浮點數值上可能會略有不同，即使用於變量更新的公式仍然匹配。

到原生 TF2 的結構映射

前：

optimizer = tf.compat.v1.train.AdamOptimizer(learning_rate=0.001)

後：

optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)

如何映射參數

TF1 參數名稱	TF2 參數名稱	注意
learning_rate	learning_rate	小心將 learning_rate 設置為從全局步驟計算的張量值。在 TF1 中，這通常意味著動態學習率，並且會在每一步中重新計算。在 TF2 (eager + function) 中，它會將其視為僅計算一次的標量值，而不是每次都計算的符號占位符。
beta1	beta_1
beta2	beta_2
epsilon	epsilon	TF1 中默認值為 1e-08，TF2 中默認值為 1e-07。
use_locking	不適用	不適用於 TF2。

使用示例之前和之後

前：

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.compat.v1.train.AdamOptimizer(learning_rate=0.001)
optimizer.apply_gradients(zip([grad], [x]))

後：

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
optimizer.apply_gradients(zip([grad], [x]))

參考：

Adam - 一種隨機優化方法：Kingma 等人，2015 (pdf)