链接:Adam优化器的学习率（learning rate）的困惑？
问题：
优化器选用tf.train.AdamOptimizer的优化器，参数全部默认：learning_rate=0.001, beta1=0.9, beta2=0.999。训练中曲线出现间歇性的剧烈下跌，然后恢复的情况。还有一些网络出现断崖式下跌然后固定一个值并且不再能够恢复。通过减小学习率，如0.0001，可以解决一些不稳定情况（当然训起来确实慢了）。
这就引起我对Adam优化器学习率的一些疑问，因为Adam的实现我一直以为是包含了学习率的衰减的，所以我用Adam一直是0.001的固定值。后来看到官方的document解释学习率的更新是这样的：（下面的learning_rate指设定值0.001，lr_t指训练时的真实学习率）
t <- t + 1
lr_t <- learning_rate * sqrt(1 - beta2^t) / (1 - beta1^t)
lr_t是每一轮的真实学习率。那么这就带来一个问题，即按照default来设定beta1、beta2两个参数，学习率并不是随着训练轮数t而递减的，其曲线是一个先降后升的曲线（而且降的部分很短），最后接近1倍learning_rate（设定值）。关于这个问题，我找到了两种解释：
1、文档写错了，beta1、beta2写反了。（来自stackoverflow上某一个问题的答案，抱歉实在找不到了）翻过来计算后lr_t确实变成一个下降曲线了。但是最后lr_t还是会趋向于learning_rate，而且文档写错概率很小吧。
2、也是来自于stackoverflow的一个解释，见下面链接的最高票答案。意思大概是lr_t的更新就是前期先降低，以完成训练初期的“normalize”（这个没太看懂）；而后随着t变得很大，lr_t会越来越接近设定值learning_rate。总体来讲，相当于只用默认Adam的话，学习率从头到尾都是固定的。
所以现在问题有两个：
1、tf中的Adam的学习率迭代的实现原理到底是什么？是否就是没有做关于学习率的退火？
2、Adam确实是可以自适应的，但我所理解的是Adam结合动量和RMS可以让训练的方向更准确，很多时候还是需要学习率衰减的。如果tf中的Adam确实是没有考虑学习率衰减，是不是完整的Adam优化器用法都应该配合tf.train.exponential_decay这样的工具，手动设置学习率的衰减？
答： 你自己定义的lr是不变的，但作用到具体运算中是lr乘一个系数，这个系数是变得，所谓自适应是adam通过改变这个系数实现实际学习率变化，而不是改变你定义的lr
拿用python写代码具体点来理解就是：
你认为lr的更新是这样的：
实际的更新是这样的：
这就导致lr确实没发生变化，但实际作用中确实是根据情况调整了学习速率，adam的具体算法和对lr更新的理解如下：
参考：
深度学习中的Adam优化算法详解
