Adam——使用Gluon

在Gluon里,使用Adadelta很容易,我们无需重新实现该算法。

首先,导入本节中实验所需的包或模块。

In [1]:
import sys
sys.path.append('..')
import gluonbook as gb
from mxnet import gluon, init, nd
from mxnet.gluon import nn

下面生成实验数据集并定义线性回归模型。

In [2]:
# 生成数据集。
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = nd.random.normal(scale=1, shape=(num_examples, num_inputs))
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += nd.random.normal(scale=0.01, shape=labels.shape)

# 线性回归模型。
net = nn.Sequential()
net.add(nn.Dense(1))

我们可以在Trainer中定义优化算法名称adam并定义初始学习率。以下实验重现了“Adam——从零开始”一节中实验结果。

In [3]:
net.initialize(init.Normal(sigma=0.01), force_reinit=True)
trainer = gluon.Trainer(net.collect_params(), 'adam', {'learning_rate': 0.1})
gb.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
            log_interval=10, features=features, labels=labels, net=net)
w:
[[ 1.99924016 -3.39973569]]
<NDArray 1x2 @cpu(0)>
b:
[ 4.20072031]
<NDArray 1 @cpu(0)>

../_images/chapter_optimization_adam-gluon_5_1.png

小结

  • 使用Gluon的Trainer可以方便地使用Adam。

练习

  • 总结本章各个优化算法的异同。
  • 回顾前面几章中你感兴趣的模型,将训练部分的优化算法替换成其他算法,观察并分析实验现象。

扫码直达讨论区

本章回顾

梯度下降可沉甸, 随机降低方差难。

引入动量别弯慢, Adagrad梯方贪。

Adadelta学率换, RMSProp梯方权。

Adam动量RMS伴, 优化还需己调参。

注释:

  • 梯方:梯度按元素平方。
  • 贪:因贪婪故而不断累加。
  • 学率:学习率。
  • 换:这个参数被替换掉。
  • 权:指数加权移动平均。