1. 简介

Adam 算法可以看作动量法和 RMSprop 算法的结合，不但使用动量作为参数更新方向，而且可以自适应调整学习率。

2. 原理

第 tt 次迭代时：

  • 一方面计算梯度平方的指数加权平均：

Gt=β2Gt−1+(1−β2)∂L∂Wt−1⊙∂L∂Wt−1\begin{array}{c} \boldsymbol{G}_t = \beta_2 \boldsymbol{G}_{t-1} + (1-\beta_2) \frac{\partial L}{\partial \boldsymbol{W}_{t-1}} \odot \frac{\partial L}{\partial \boldsymbol{W}_{t-1}} \end{array}

  • 另一方面计算梯度的指数加权平均：

Mt=β1Mt−1+(1−β1)∂L∂Wt−1\begin{array}{c} \boldsymbol{M}_t = \beta_1 \boldsymbol{M}_{t-1} + (1-\beta_1) \frac{\partial L}{\partial \boldsymbol{W}_{t-1}} \end{array}

一般参数取值为：β1=0.9,β2=0.99 \beta_1 = 0.9, \beta_2 = 0.99 。Mt\boldsymbol{M}_t 和 Gt\boldsymbol{G}_t 可以分别看作是梯度的一阶矩和二阶矩，其初始化取值为 Mt=0,Gt=0 \boldsymbol{M}_t = 0, \boldsymbol{G}_t = 0 ；但这样会导致迭代初期 Mt\boldsymbol{M}_t 和 Gt\boldsymbol{G}_t 的值会比真实的一阶矩和二阶矩要小，因此要对偏差进行修正：

M^t=Mt1−β1G^t=Gt1−β2\begin{array}{c} \hat{\boldsymbol{M}}_t = \frac{\boldsymbol{M}_t}{1-\beta_1} \\ \hat{\boldsymbol{G}}_t = \frac{\boldsymbol{G}_t}{1-\beta_2} \end{array}

  • Adam 算法的参数更新公式为：

ΔWt=−ηGt^+εMt^\begin{array}{c} \Delta \boldsymbol{W}_t = - \frac{\eta}{\sqrt{\hat{\boldsymbol{G}_t}+\boldsymbol{\varepsilon}}} \hat{\boldsymbol{M}_t} \end{array}

其中，η\eta 为学习率，通常取值为 0.0010.001 。