AdaBoundとは？意味をわかりやすく簡単に解説

公開：2025年11月10日更新：2026年4月30日

CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座

AdaBoundとは
AdaBoundの学習率調整メカニズム
Pythonでの実装コード例

AdaBoundとは

AdaBoundとは、適応的学習率を持つ最適化アルゴリズムの一種で、AdamとSGDの長所を組み合わせた手法です。学習の初期段階では、Adamのように適応的に学習率を調整し、後期段階ではSGDのように一定の学習率に収束させることで、高速な収束と優れた汎化性能を両立させます。

この手法は2019年に発表され、深層学習における最適化問題の解決策として注目を集めました。学習率の上限と下限を動的に設定することで、Adamの過学習傾向とSGDの収束速度の遅さという両者の欠点を克服しています。

Python研修一覧はこちら

目的に合うPython研修を一覧形式から探したい方は、ぜひご利用ください。

Python研修を比較する

Java研修一覧はこちら

目的に合うJava研修を一覧形式から探したい方は、ぜひご利用ください。

Java研修を比較する

PHP研修一覧はこちら

目的に合うPHP研修を一覧形式から探したい方は、ぜひご利用ください。

PHP研修を比較する

新入社員研修

目的に合う新入社員研修を一覧形式から探したい方は、ぜひご利用ください。

新入社員研修を比較する

全ての研修からも探したい方はこちら

AdaBoundの学習率調整メカニズム

AdaBoundは学習の進行に伴い、学習率の変動幅を段階的に狭めていく仕組みを採用しています。具体的には、下限値と上限値を時間ステップの関数として定義し、訓練が進むにつれてこれらの境界が徐々に狭まっていきます。

境界関数は学習率がゼロに近づきすぎることを防ぎ、同時に過度に大きな値を取らないよう制限します。この二重の制約により、訓練の安定性を保ちながら、効率的なパラメータ更新が可能となります。

パラメータ	説明
α(アルファ)	基本学習率
β1、β2	モーメント推定の減衰率
γ(ガンマ)	境界収束速度
final_lr	最終学習率の目標値

Pythonでの実装コード例

AdaBoundをPyTorchで実装する場合、既存のオプティマイザクラスを継承して独自の更新ルールを定義します。以下のコードは基本的な実装例を示しており、学習率のクリッピング処理が中心的な役割を果たしています。

import torch
from torch.optim import Optimizer

class AdaBound(Optimizer):
    def __init__(self, params, lr=1e-3, betas=(0.9, 0.999), 
                 final_lr=0.1, gamma=1e-3, eps=1e-8):
        defaults = dict(lr=lr, betas=betas, final_lr=final_lr,
                       gamma=gamma, eps=eps)
        super(AdaBound, self).__init__(params, defaults)
    
    def step(self):
        for group in self.param_groups:
            for p in group['params']:
                grad = p.grad.data
                state = self.state[p]
                
                if len(state) == 0:
                    state['step'] = 0
                    state['m'] = torch.zeros_like(p.data)
                    state['v'] = torch.zeros_like(p.data)
                
                m, v = state['m'], state['v']
                beta1, beta2 = group['betas']
                state['step'] += 1
                
                m.mul_(beta1).add_(grad, alpha=1-beta1)
                v.mul_(beta2).addcmul_(grad, grad, value=1-beta2)
                
                step_size = group['lr']
                final_lr = group['final_lr'] * group['lr']
                lower_bound = final_lr * (1 - 1/(group['gamma']*state['step']+1))
                upper_bound = final_lr * (1 + 1/(group['gamma']*state['step']))
                
                step_size = torch.clamp(step_size/torch.sqrt(v).add_(group['eps']),
                                       lower_bound, upper_bound)
                p.data.add_(m * step_size, alpha=-1)

このコードでは、モーメンタムと二次モーメントを計算した後、クリップ処理によって学習率を適切な範囲に制限しています。ステップ数が増加するにつれて境界値が狭まり、最終的にはSGDに近い挙動を示すようになるのが特徴です。

※上記コンテンツの内容やソースコードはAIで確認・デバッグしておりますが、間違いやエラー、脆弱性などがある場合は、コメントよりご報告いただけますと幸いです。