祝你先于春天，
翻过此间铮铮山峦
------ 24.12.8
一、Adam优化器的基本概念
定义
Adam（Adaptive Moment Estimation）是一种基于梯度的优化算法，用于更新神经网络等机器学习模型中的参数。它结合了动量法（Momentum）和自适应学习率方法（如Adagrad和RMSProp）的优点，能够在训练过程中自适应地调整每个参数的学习率，并且利用动量来加速收敛和抑制震荡。
应用场景
广泛应用于深度学习中的各种任务，包括但不限于图像识别、自然语言处理、语音识别等。
例如，在训练卷积神经网络（CNN）进行图像分类任务时，或者在训练循环神经网络（RNN）和Transformer架构的模型用于自然语言处理任务时，Adam优化器都能有效地更新模型参数，使模型更快地收敛并获得较好的性能。
二、Adam优势：
Adam 优化算法应用在非凸优化问题中所获得的优势：
实现简单，计算高效，对内存需求少
参数的更新不受梯度的伸缩变换影响
超参数具有很好的解释性，且通常无需调整或仅需很少的微调
更新的步长能够被限制在大致的范围内（初始学习率）
能自然地实现步长退火过程（自动调整学习率）
很适合应用于大规模的数据及参数的场景
适用于不稳定目标函数
适用于梯度稀疏或梯度存在很大噪声的问题
三、基本机制
Adam 算法和传统的随机梯度下降不同。
随机梯度下降保持单一的学习率(即 alpha)更新所有的权重，学习率在训练过程中并不会改变。
而 Adam 通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。
记录前几次梯度的值，然后第一层进行求均值，第二层进行求均值的平方，再与当下轮次的梯度进行复合，得到这一轮的loss值，这个目的就是结合一些历史数据，然后自动调节当下轮次模型参数的学习率，对于不平稳的梯度进行更新
四、手动实现Adam算法
python
#adam梯度更新
def diy_adam(grad, weight):
#参数应当放在外面，此处为保持后方代码整洁简单实现一步
alpha = 1e-3 #学习率
beta1 = 0.9 #超参数
beta2 = 0.999 #超参数
eps = 1e-8 #超参数
t = 0 #初始化
mt = 0 #初始化
vt = 0 #初始化
#开始计算
t = t + 1
gt = grad
mt = beta1 * mt + (1 - beta1) * gt
vt = beta2 * vt + (1 - beta2) * gt ** 2
mth = mt / (1 - beta1 ** t)
vth = vt / (1 - beta2 ** t)
weight = weight - (alpha * mth/ (np.sqrt(vth) + eps))
return weight