优化器optimizers

优化器是编译Keras模型必要的两个参数之一

  1. from keras import optimizers
  3. model = Sequential()
  4. model.add(Dense(64, kernel_initializer='uniform', input_shape=(10,)))
  5. model.add(Activation('tanh'))
  6. model.add(Activation('softmax'))
  8. sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
  9. model.compile(loss='mean_squared_error', optimizer=sgd)

可以在调用model.compile()之前初始化一个优化器对象，然后传入该函数（如上所示），也可以在调用model.compile()时传递一个预定义优化器名。在后者情形下，优化器的参数将使用默认值。

  1. # pass optimizer by name: default parameters will be used
  2. model.compile(loss='mean_squared_error', optimizer='sgd')

所有优化器都可用的参数

参数clipnorm和clipvalue是所有优化器都可以使用的参数,用于对梯度进行裁剪.示例如下:

  1. from keras import optimizers
  3. # All parameter gradients will be clipped to
  4. # a maximum norm of 1.
  5. sgd = optimizers.SGD(lr=0.01, clipnorm=1.)
  1. from keras import optimizers
  3. # All parameter gradients will be clipped to
  4. # a maximum value of 0.5 and
  5. # a minimum value of -0.5.
  6. sgd = optimizers.SGD(lr=0.01, clipvalue=0.5)

SGD

  1. keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)

随机梯度下降法，支持动量参数，支持学习衰减率，支持Nesterov动量

参数

  • lr：大或等于0的浮点数，学习率

  • momentum：大或等于0的浮点数，动量参数

  • decay：大或等于0的浮点数，每次更新后的学习率衰减值

  • nesterov：布尔值，确定是否使用Nesterov动量

RMSprop

  1. keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=1e-06)

除学习率可调整外，建议保持优化器的其他默认参数不变

该优化器通常是面对递归神经网络时的一个良好选择

参数

  • lr：大或等于0的浮点数，学习率

  • rho：大或等于0的浮点数

  • epsilon：大或等于0的小浮点数，防止除0错误

Adagrad

  1. keras.optimizers.Adagrad(lr=0.01, epsilon=1e-06)

建议保持优化器的默认参数不变

Adagrad

  • lr：大或等于0的浮点数，学习率

  • epsilon：大或等于0的小浮点数，防止除0错误

Adadelta

  1. keras.optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=1e-06)

建议保持优化器的默认参数不变

参数

  • lr：大或等于0的浮点数，学习率

  • rho：大或等于0的浮点数

  • epsilon：大或等于0的小浮点数，防止除0错误

参考文献

Adam

  1. keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08)

该优化器的默认值来源于参考文献

参数

  • lr：大或等于0的浮点数，学习率

  • beta_1/beta_2：浮点数， 0

参考文献

Adamax

  1. keras.optimizers.Adamax(lr=0.002, beta_1=0.9, beta_2=0.999, epsilon=1e-08)

Adamax优化器来自于Adam的论文的Section7，该方法是基于无穷范数的Adam方法的变体。

默认参数由论文提供

参数

  • lr：大或等于0的浮点数，学习率

  • beta_1/beta_2：浮点数， 0

参考文献

Nadam

  1. keras.optimizers.Nadam(lr=0.002, beta_1=0.9, beta_2=0.999, epsilon=1e-08, schedule_decay=0.004)

Nesterov Adam optimizer: Adam本质上像是带有动量项的RMSprop，Nadam就是带有Nesterov 动量的Adam RMSprop

默认参数来自于论文，推荐不要对默认参数进行更改。

参数

  • lr：大或等于0的浮点数，学习率

  • beta_1/beta_2：浮点数， 0

参考文献

TFOptimizer

  1. keras.optimizers.TFOptimizer(optimizer)

TF优化器的包装器