May 9, 2024 · Adam算法是在2014年提出的一种基于一阶梯度的优化算法，它结合了 动量 （Momentum）和 RMSprop （Root Mean Square Propagation）的思想， 自适应地调整每个 …

在 PyTorch 里， Adam 和 AdamW 的调用语法几乎一模一样，这是因为 PyTorch 的优化器接口是统一设计的，使用方式都继承自 torch.optim.Optimizer 的通用结构。

AdamW目前是大语言模型训练的默认优化器，而大部分资料对Adam跟AdamW区别的介绍都不是很明确，在此梳理一下Adam与AdamW的计算流程，明确一下二者的区别。

Adam优化器凭借其独特的设计和出色的性能，已成为深度学习领域不可或缺的工具。 深入理解其原理和性质，能帮助我们更好地运用它提升模型训练效果，推动深度学习技术不断发展。

Adam，这个名字在许多获奖的 Kaggle 竞赛中广为人知。 参与者尝试使用几种优化器（如 SGD、Adagrad、Adam 或 AdamW）进行实验是常见的做法，但真正理解它们的工作原理是另一回 …

Adam自从在ICLR2015上发表以来（ Adam: A Method for Stochastic Optimization ），到2022年就已经收获了超过10万次引用，正在成为深度学习时代最有影响力的几个工作之一。

2014年12月， Kingma和Lei Ba两位学者提出了Adam优化器，结合AdaGrad和RMSProp两种优化算法的优点。 对梯度的一阶矩估计（First Moment Estimation，即梯度的均值）和二阶矩估 …

【前言】: 优化问题一直是机器学习乃至深度学习中的一个非常重要的领域。 尤其是深度学习，即使在数据集和模型架构完全相同的情况下，采用不同的优化算法，也很可能导致截然不同的训 …

基本原理 Adam本质上是一个优化器，用于优化模型的参数。 这样的优化步骤可以由以下公式描述： θ t = θ t 1 η m ^ t v ^ t + ϵ ，其中 η 为初始学习率， ϵ 为数值稳定常数，说白了是用于防止除 …

Adam 算法就是一个结合了这两种估计的自适应优化算法，它根据一阶矩估计（梯度的移动平均值）和二阶矩估计（梯度平方的移动平均值）来自适应地调整学习率，以便更有效地更新模型参 …