Keras笔记(二)：优化器optimizers_tf.keras.optimizers.rmsprop

 注： 本文转自  优化器optimizers - Keras中文文档

---

Keras文档系列

Keras笔记(一)：常用函数

Keras笔记(二)：优化器optimizers

Keras笔记(三)：目标函数objectives /loss

Keras笔记(四)：序贯（Sequential）模型

Keras笔记(五)：Sequential模型接口

Keras笔记(六)：回调函数Callbacks

---

目录

 所有优化器都可用的参数 ：clipnorm和clipvalue

SGD  ： 参数          RMSprop                参数

Adagrad               Adagrad            

Adadelta        参数               参考文献

Adam           参数                 参考文献

Adamax       参数                参考文献

Nadam        参数                   参考文献

TFOptimizer

---

优化器是编译Keras模型必要的两个参数之一

from keras import optimizers
 
model = Sequential()
model.add(Dense(64, kernel_initializer='uniform', input_shape=(10,)))
model.add(Activation('tanh'))
model.add(Activation('softmax'))
 
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
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。

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

 所有优化器都可用的参数 ：clipnorm和clipvalue

clipnorm和clipvalue用于对梯度进行裁剪.示例如下:

from keras import optimizers
 
# All parameter gradients will be clipped to
# a maximum norm of 1.
sgd = optimizers.SGD(lr=0.01, clipnorm=1.)

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

SGD

  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

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

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

 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

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

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

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

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

• Adadelta - an adaptive learning rate method

Adam

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<beta<1，通常很接近1

• epsilon：大或等于0的小浮点数，防止除0错误

参考文献

• Adam - A Method for Stochastic Optimization

---

Adamax

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<beta<1，通常很接近1

• epsilon：大或等于0的小浮点数，防止除0错误

参考文献

• Adam - A Method for Stochastic Optimization

---

Nadam

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<beta<1，通常很接近1

• epsilon：大或等于0的小浮点数，防止除0错误

参考文献

• Nadam report

• On the importance of initialization and momentum in deep learning

TFOptimizer

keras.optimizers.TFOptimizer(optimizer)

TF优化器的包装器

参考链接 优化器optimizers - Keras中文文档

---

---

Keras文档系列

Keras笔记(一)：常用函数

Keras笔记(二)：优化器optimizers

Keras笔记(三)：目标函数objectives /loss

Keras笔记(四)：序贯（Sequential）模型

Keras笔记(五)：Sequential模型接口

Keras笔记(六)：回调函数Callbacks