NAdam

class torch.optim.NAdam(params, lr=0.002, betas=(0.9, 0.999), eps=1e-08, weight_decay=0, momentum_decay=0.004, foreach=None) [source]

Реализует алгоритм NAdam.

$$\begin{aligned} &\rule{110mm}{0.4pt} \\ &\textbf{input} : \gamma_t \text{ (lr)}, \: \beta_1,\beta_2 \text{ (betas)}, \: \theta_0 \text{ (params)}, \: f(\theta) \text{ (objective)} \\ &\hspace{13mm} \: \lambda \text{ (weight decay)}, \:\psi \text{ (momentum decay)} \\ &\textbf{initialize} : m_0 \leftarrow 0 \text{ ( first moment)}, v_0 \leftarrow 0 \text{ ( second moment)} \\[-1.ex] &\rule{110mm}{0.4pt} \\ &\textbf{for} \: t=1 \: \textbf{to} \: \ldots \: \textbf{do} \\ &\hspace{5mm}g_t \leftarrow \nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{5mm}if \: \lambda \neq 0 \\ &\hspace{10mm} g_t \leftarrow g_t + \lambda \theta_{t-1} \\ &\hspace{5mm} \mu_t \leftarrow \beta_1 \big(1 - \frac{1}{2} 0.96^{t \psi} \big) \\ &\hspace{5mm} \mu_{t+1} \leftarrow \beta_1 \big(1 - \frac{1}{2} 0.96^{(t+1)\psi}\big)\\ &\hspace{5mm}m_t \leftarrow \beta_1 m_{t-1} + (1 - \beta_1) g_t \\ &\hspace{5mm}v_t \leftarrow \beta_2 v_{t-1} + (1-\beta_2) g^2_t \\ &\hspace{5mm}\widehat{m_t} \leftarrow \mu_{t+1} m_t/(1-\prod_{i=1}^{t+1}\mu_i)\\[-1.ex] & \hspace{11mm} + (1-\mu_t) g_t /(1-\prod_{i=1}^{t} \mu_{i}) \\ &\hspace{5mm}\widehat{v_t} \leftarrow v_t/\big(1-\beta_2^t \big) \\ &\hspace{5mm}\theta_t \leftarrow \theta_{t-1} - \gamma \widehat{m_t}/ \big(\sqrt{\widehat{v_t}} + \epsilon \big) \\ &\rule{110mm}{0.4pt} \\[-1.ex] &\bf{return} \: \theta_t \\[-1.ex] &\rule{110mm}{0.4pt} \\[-1.ex] \end{aligned}$$

Для получения дополнительной информации об алгоритме см. Incorporating Nesterov Momentum into Adam.

Параметры:

• params (iterable) – итерируемый объект параметров для оптимизации или словари, определяющие группы параметров
• lr (float, optional) – скорость обучения (по умолчанию: 2e-3)
• betas (Tuple[float, float], optional) – коэффициенты, используемые для вычисления скользящих средних градиента и его квадрата (по умолчанию: (0.9, 0.999))
• eps (float, optional) – член, добавляемый к знаменателю для повышения численной устойчивости (по умолчанию: 1e-8)
• weight_decay (float, optional) – распад весов (штраф L2) (по умолчанию: 0)
• momentum_decay (float, optional) – распад импульса (по умолчанию: 4e-3)
• foreach (bool, optional) – используется ли реализация оптимизатора foreach (по умолчанию: None)

add_param_group(param_group)

Добавить группу параметров к оптимизатору Optimizer.

Это может быть полезно при дообучении предварительно обученной сети, так как замороженные слои можно сделать обучаемыми и добавить их к Optimizer по мере обучения.

Параметры:

param_group (dict) – Указывает, какие тензоры должны быть оптимизированы вместе с группами параметров и их настройками.

load_state_dict(state_dict)

Загружает состояние оптимизатора.

Параметры:

state_dict (dict) – Состояние оптимизатора. Должно быть объектом, возвращаемым методом state_dict().

state_dict()

Возвращает состояние оптимизатора в виде dict.

Он содержит два элемента:

• state - словарь, содержащий текущее состояние оптимизации. Его содержимое

  отличается в зависимости от класса оптимизатора.

• param_groups - список, содержащий все группы параметров, где каждая

  группа параметров является словарем.

step(closure=None) [source]

Выполняет один шаг оптимизации.

Параметры:

closure (Callable, optional) – Замыкание, которое переоценивает модель и возвращает потерю.

zero_grad(set_to_none=False)

Устанавливает градиенты всех оптимизированных torch.Tensor в ноль.

Параметры:

set_to_none (bool) – вместо установки в ноль, установить градиенты в None. Это, как правило, потребует меньшего объёма памяти и может немного улучшить производительность. Однако это изменяет определённое поведение. Например: 1. Когда пользователь пытается получить доступ к градиенту и выполнить на нём ручные операции, атрибут None или тензор, заполненный нулями, будет вести себя по-разному. 2. Если пользователь запрашивает zero_grad(set_to_none=True), за которым следует обратное распространение, градиенты для параметров, которые не получили градиент, гарантированно будут None. 3. В torch.optim оптимизаторах поведение отличается, если градиент равен 0 или None (в одном случае выполняется шаг с градиентом 0, а в другом случае шаг пропускается).