All translations
Enter a message name below to show all available translations.
Found 3 translations.
| Name | Current message text |
|---|---|
| h English (en) | {{Term|adamw}} has become the standard optimizer for a large fraction of contemporary {{Term|deep learning}}, particularly for [[Transformer (machine learning model)|transformers]] in language and vision. Mainstream frameworks ship native implementations (<code>torch.optim.AdamW</code> in PyTorch since 1.2, <code>tf.keras.optimizers.AdamW</code> in TensorFlow/Keras), and the optimizer is the default in popular training stacks such as Hugging Face {{Term|transformer|Transformers}} and timm. Practitioners typically tune {{Term|adamw}} with a small weight-decay coefficient (often around 0.01 to 0.1) and a cosine or linear-{{Term|learning rate warmup|warmup}} learning-rate schedule, paralleling the AdamWR recipe. |
| h Spanish (es) | {{Term|adamw}} se ha convertido en el optimizador estándar para una gran parte del {{Term|deep learning|aprendizaje profundo}} contemporáneo, en particular para los [[Transformer (machine learning model)|transformers]] en lenguaje y visión. Los frameworks principales incluyen implementaciones nativas (<code>torch.optim.AdamW</code> en PyTorch desde 1.2, <code>tf.keras.optimizers.AdamW</code> en TensorFlow/Keras), y el optimizador es el predeterminado en stacks de entrenamiento populares como Hugging Face {{Term|transformer|Transformers}} y timm. Quienes lo utilizan suelen ajustar {{Term|adamw}} con un coeficiente de decaimiento de pesos pequeño (con frecuencia entre 0,01 y 0,1) y una programación de tasa de aprendizaje cosenoidal o con {{Term|learning rate warmup|calentamiento}} lineal, en paralelo con la receta AdamWR. |
| h Chinese (zh) | {{Term|adamw}} 已成为当代很大一部分{{Term|deep learning|深度学习}}的标准优化器，特别是在语言和视觉领域的 [[Transformer (machine learning model)|Transformer]] 模型中。主流框架内置了原生实现（PyTorch 自 1.2 起提供 <code>torch.optim.AdamW</code>，TensorFlow/Keras 中提供 <code>tf.keras.optimizers.AdamW</code>），并且该优化器是 Hugging Face {{Term|transformer|Transformers}} 和 timm 等流行训练栈的默认选项。从业者通常使用较小的权重衰减系数（通常在 0.01 到 0.1 之间）以及余弦或线性{{Term|learning rate warmup|预热}}的学习率调度来调优 {{Term|adamw}}，与 AdamWR 的配方相对应。 |