PyTorch中的Adam是一种优化算法，用于更新神经网络的权重。它是基于训练数据迭代地更新权重的一阶优化算法。Adam算法最初由OpenAI的Diederik Kingma和多伦多大学的Jimmy Ba在2015年的ICLR论文中提出。Adam的名称来自于适应性矩估计（adaptive moment estimation）\[1\]。 在PyTorch中，使用Adam优化器的参数可以通过torch.optim.Adam函数进行设置。其中，lr表示学习率，betas表示平滑常数，eps表示一个很小的数用于数值稳定性，weight_decay表示权重衰减，amsgrad表示是否使用AMSGrad算法\[2\]。 与RMSProp算法相比，Adam算法在计算梯度的平方时，不仅使用了平滑常数进行平滑处理，还对梯度本身进行了平滑处理\[3\]。 因此，PyTorch中的Adam算法可以通过设置参数来进行优化神经网络的训练。 #### 引用[.reference_title] - *1* [PyTorch－Adam优化算法原理，公式，应用](https://blog.csdn.net/kyle1314608/article/details/100589450)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [pytorch优化器详解：Adam](https://blog.csdn.net/weixin_39228381/article/details/108548413)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]