ADAM(Adaptive Moment Estimation、適応的モーメント推定)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：2025年11月10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

ADAM(Adaptive Moment Estimation、適応的モーメント推定)とは
一次モーメントと二次モーメントの推定メカニズム
Pythonによる実装コード例

ADAM(Adaptive Moment Estimation、適応的モーメント推定)とは

ADAMとは、深層学習における最適化アルゴリズムの一種で、勾配降下法を改良した手法です。2014年にDiederik P. KingmaとJimmy Baによって提案され、現在では機械学習フレームワークにおいて、標準的な最適化手法として広く採用されています。

この最適化手法は、各パラメータに対して適応的な学習率を計算することで、効率的なモデル訓練を実現します。従来の確率的勾配降下法と比較して、学習率の手動調整が不要であり、様々な深層学習タスクにおいて、安定した収束性能を発揮するという特徴があります。

【PR】プログラミングや生成AIを無料で学べる「コードキャンプフリー」

一次モーメントと二次モーメントの推定メカニズム

ADAMは「勾配の一次モーメント(平均)」と「二次モーメント(非中心化分散)」の両方を推定することで、各パラメータの更新量を動的に調整します。一次モーメントは勾配の指数移動平均を計算し、二次モーメントは勾配の二乗の指数移動平均を算出することで実現されます。

モーメント種別	計算内容	役割
一次モーメント(m)	勾配の指数移動平均	更新方向の決定
二次モーメント(v)	勾配二乗の指数移動平均	学習率のスケール調整
バイアス補正項	初期化バイアスの除去	初期ステップの精度向上

これらのモーメント推定値は、初期化時にゼロに偏るバイアスを持つため、バイアス補正と呼ばれる処理が適用されます。補正された推定値を用いることで、訓練の初期段階においても適切なパラメータ更新が可能となり、収束速度が大幅に改善されるのです。

Pythonによる実装コード例

ADAMオプティマイザは主要な深層学習フレームワークにおいて、標準実装されており簡潔なコードで利用できます。以下にPyTorchを使用した基本的な実装例を示します。この例では学習率0.001、ベータパラメータ(0.9, 0.999)という一般的な設定値を使用しています。

import torch
import torch.optim as optim

# モデルのパラメータを指定
model = YourNeuralNetwork()

# ADAMオプティマイザの初期化
optimizer = optim.Adam(
    model.parameters(),
    lr=0.001,
    betas=(0.9, 0.999),
    eps=1e-08
)

# 訓練ループ内での使用
for epoch in range(num_epochs):
    optimizer.zero_grad()
    loss = compute_loss(model, data)
    loss.backward()
    optimizer.step()

ハイパーパラメータであるlrは学習率、betasはモーメント推定の減衰率、epsは数値安定性のための微小値を表します。実際の応用では、これらのパラメータを調整することで、特定のタスクに最適化された訓練が実現可能となります。

※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。