Keras: Introduction to the Adam Optimization Algorithm
Sumber: https://machinelearningmastery.com/adam-optimization-algorithm-for-deep-learning/
Pilihan algoritma optimalisasi untuk model deep learning dapat berarti perbedaan antara hasil yang baik dalam hitungan menit, jam, dan hari.
Adam optimization algorithm adalah extension dari stochastic gradient descent yang baru-baru ini memperoleh adopsi yang lebih luas untuk aplikasi deep learning dalam computer vision dan natural language processing.
Dalam tulisan ini, anda akan mendapatkan pengantar tentang Adam optimization algorithm untuk digunakan dalam deep learning.
Setelah membaca posting ini, anda akan tahu:
- Apa algoritma Adam dan beberapa manfaat menggunakan metode untuk mengoptimalkan model anda.
- Bagaimana algoritma Adam bekerja dan bagaimana perbedaannya dari metode terkait AdaGrad dan RMSProp.
- Bagaimana algoritma Adam dapat dikonfigurasi dan parameter konfigurasi yang umum digunakan.
Apakah Adam optimization algorithm?
Adam adalah algoritme pengoptimalan yang dapat digunakan sebagai ganti dari prosedur stochastic gradient descent klasik untuk memperbarui weight network secara iteratif berdasarkan data training.
Adam pertama kali di presentasikan oleh Diederik Kingma dari OpenAI dan Jimmy Ba dari University of Toronto dalam paper mereka di 2015 ICLR yang berjudul “Adam: A Method for Stochastic Optimization“.
Algoritma ini di sebut Adam. Itu bukan singkatan dan tidak ditulis sebagai “ADAM”.
… the name Adam is derived from adaptive moment estimation.
Ketika memperkenalkan algoritma, penulis memberikan daftar manfaat yang menarik dengan penggunaan Adam pada masalah non-convex optimization, sebagai berikut:
- Straightforward to implement.
- Computationally efficient.
- Little memory requirements.
- Invariant to diagonal rescale of the gradients.
- Well suited for problems that are large in terms of data and/or parameters.
- Appropriate for non-stationary objectives.
- Appropriate for problems with very noisy/or sparse gradients.
- Hyper-parameters have intuitive interpretation and typically require little tuning.
Bagaimana Cara Kerja Adam?
Adam berbeda dengan classical stochastic gradient descent.
Stochastic gradient descent menjaga satu learning rate (alpha) untuk semua weight update dan learning rate tidak berubah saat training.
Learning rate dipertahankan untuk setiap weight network (parameter) dan diadaptasi secara terpisah saat learning dibuka.
- Metoda Adam menghitung individual adaptive learning rates untuk parameter yang berbeda dari perkiraan momen pertama dan kedua dari gradien.
Para penulis menggambarkan Adam sebagai menggabungkan keuntungan dari dua ekstensi lain dari stochastic gradient descent. Secara khusus:
- Adaptive Gradient Algorithm (AdaGrad) yang mempertahankan per-parameter learning rate yang meningkatkan kinerja pada problem dengan sparse gradients (mis. natural language dan computer vision problem).
- Root Mean Square Propagation (RMSProp) yang juga mempertahankan per-parameter learning rate yang diadaptasi berdasarkan average of recent magnitudes of the gradient untuk weight (mis. seberapa cepat ia berubah). Ini berarti algoritme berfungsi dengan baik pada masalah online dan non-stasioner (mis. noisy/berisik).
Adam menyadari manfaat keduanya AdaGrad dan RMSProp.
Daripada mengadaptasi parameter learning rate berdasarkan rata-rata momen pertama (rata-rata) seperti dalam RMSProp, Adam juga memanfaatkan rata-rata momen kedua gradien (uncentered variance).
Secara khusus, algoritma menghitung rata-rata exponential moving average dari gradien dan gradien kuadrat, dan parameter beta1 dan beta2 mengontrol decay rate dari moving average tersebut.
Nilai awal dari moving average dan nilai beta1 dan beta2 mendekati 1.0 (disarankan) menghasilkan estimasi bias dari moment menuju nol. Bias ini diatasi dengan terlebih dahulu menghitung estimasi yang bias sebelum kemudian menghitung bias-corrected estimate..
Adam Effective
Adam adalah algoritma yang populer di bidang deep learning karena ia mencapai hasil yang baik dengan cepat. Hasil empiris menunjukkan bahwa Adam bekerja dengan baik dalam praktiknya dan lebih baik dibandingkan dengan stochastic optimization method lainnya.
Dalam makalah aslinya, Adam diperagakan secara empiris untuk menunjukkan bahwa konvergensi memenuhi harapan analisis teoritis. Adam diaplikasikan pada algoritma regresi logistik pada pengenalan digit MNIST dan dataset analisis sentimen IMDB, algoritma Multilayer Perceptron pada dataset MNIST dan Convolutional Neural Networks pada dataset pengenalan gambar CIFAR-10. Mereka menyimpulkan:
- Using large models and datasets, we demonstrate Adam can efficiently solve practical deep learning problems.
Perbandingan Adam terhadap Optimization Algorithms Training lainnya di Multilayer Perceptron
Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron di ambil dari Adam: A Method for Stochastic Optimization, 2015.
Sebastian Ruder mengembangkan tinjauan komprehensif modern gradient descent optimization algorithm dengan judul “An overview of gradient descent optimization algorithms” yang dipublikasi pertama kali sebagai blog post, kemudian technical report tahun 2016.
Makalah ini pada dasarnya adalah sebuah tour dari metode modern. Di bagian yang berjudul “Which optimizer to use?“, Ia merekomendasikan menggunakan Adam.
"Insofar, RMSprop, Adadelta, and Adam are very similar algorithms that do well in similar circumstances. […] its bias-correction helps Adam slightly outperform RMSprop towards the end of optimization as gradients become sparser. Insofar, Adam might be the best overall choice."
Di Stanford course tentang deep learning untuk computer vision berjudul “CS231n: Convolutional Neural Networks for Visual Recognition” dikembangkan oleh Andrej Karpathy, et al., Algoritma Adam sekali lagi disarankan sebagai metode optimalisasi standar untuk aplikasi deep learning.
Dalam praktiknya, Adam saat ini direkomendasikan sebagai algoritma default untuk digunakan, dan hasilnya sering sedikit lebih baik daripada RMSProp. Namun, patut juga dicoba SGD + Nesterov Momentum sebagai alternatif.
Dan kemudian dinyatakan lebih jelas "Dua update yang disarankan untuk digunakan adalah SGD + Nesterov Momentum atau Adam."
Adam diadaptasi untuk tolok ukur dalam makalah deep learning.
Contoh, dia digunakan dalam paper “Show, Attend and Tell: Neural Image Caption Generation with Visual Attention” saat image captioning dan “DRAW: A Recurrent Neural Network For Image Generation” pada image generation.
Parameter Konfigurasi Adam
- alpha. Juga disebut sebagai learning rate atau step size. Proporsi yang digunakan weight saat pembaruan (mis. 0,001). Nilai yang lebih besar (mis. 0.3) menghasilkan pembelajaran awal yang lebih cepat sebelum rate diperbarui. Nilai yang lebih kecil (mis. 1.0E-5) memperlambat pembelajaran saat training.
- beta1. Exponential decay rate untuk estimasi momen pertama (mis. 0.9).
- beta2. The exponential decay rate untuk estimasi second-moment (mis. 0,999). Nilai ini harus diset mendekati 1.0 pada masalah dengan sparse gradien (mis. masalah NLP dan computer vision).
- epsilon. Merupakan angka yang sangat kecil untuk mencegah pembagian dengan nol saat implementasi (misalnya 10E-8).
Selanjutnya, tingkat peluruhan pembelajaran juga dapat digunakan dengan Adam. Makalah ini menggunakan tingkat peluruhan alpha=alpha/sqrt(t) diperbarui setiap epoch(t) untuk demonstrasi logistic regression.
Adam paper menyarankan:
- Pengaturan default yang baik untuk masalah machine learning yang diuji adalah alpha=0.001, beta1=0.9, beta2=0.999 and epsilon=1,0E−8
Dokumentasi TensorFlow menyarankan tuning epsilon sebagai berikut:
- Nilai default epsilon 1e-8 mungkin bukan nilai default yang bagus secara umum. Contoh, saat melatih jaringan Inception di ImageNet, pilihan bagus saat ini adalah 1,0 atau 0,1.
Kita dapat melihat bahwa library deep learning yang populer umumnya menggunakan parameter default yang direkomendasikan oleh makalah.
TensorFlow: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08. Keras: lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0. Blocks: learning_rate=0.002, beta1=0.9, beta2=0.999, epsilon=1e-08, decay_factor=1. Lasagne: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08 Caffe: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08 MxNet: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-8 Torch: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-8
Summary
Dalam tulisan ini, kita berkenalan dengan algoritma optimisasi Adam untuk deep learning.
Khususnya, kita belajar:
- Adam adalah algoritma optimasi pengganti untuk stochastic gradient descent untuk training model deep learning.
- Adam menggabungkan sifat-sifat terbaik dari algoritma AdaGrad dan RMSProp untuk memberikan optimization algorithm yang dapat menangani sparse gradients pada noisy problem.
- Adam relatif mudah dikonfigurasikan di mana parameter konfigurasi default bekerja dengan baik pada sebagian besar masalah.
Referensi