SGD s momentem / Adam Optimizer
Stochastický gradientní sestup (SGD) s momentem a jeho adaptivní potomek Adam jsou základní algoritmy pro aktualizaci parametrů používané k trénování prakticky všech moderních modelů hlubokého učení. Momentum SGD formalizoval Polyak (1964) a do trénování neuronových sítí jej zavedli Rumelhart, Hinton a Williams (1986). Adam, představený Kingmou a Ba na ICLR 2015, rozšířil myšlenku momentu tím, že udržoval klouzavý průměr druhých mocnin gradientů, čímž produkoval adaptivní míry učení pro každý parametr, což z něj činí výchozí optimalizátor v současné praxi hlubokého učení.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference on Learning Representations (ICLR 2015). arXiv:1412.6980. link ↗
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Polyak, B. T. (1964). Some methods of speeding up the convergence of iteration methods. USSR Computational Mathematics and Mathematical Physics, 4(5), 1–17. DOI: 10.1016/0041-5553(64)90137-5 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 8: Optimization for Training Deep Models). MIT Press. ISBN: 978-0-262-03561-3
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Stochastic Gradient Descent with Momentum and Adaptive Moment Estimation (Adam). ScholarGate. https://scholargate.app/cs/deep-learning/stochastic-gradient-descent-with-momentum-adam-optimizer
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Normalizace dávekHluboké učení↔ porovnat
Similar methods
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →