一.Adam优化器
旨在根据历史梯度信息来调整每个参数的学习率，从而实现更高效的网络训练。Adam算法的核心思想是同时计算梯度的一阶矩（均值）和二阶矩（未中心的方差）的指数移动平均，并对它们进行偏差校正，以确保在训练初期时梯度估计不会偏向于0。Adam优化器是一种梯度下降算法的变体，它结合了随机梯度下降算法（SGD）和自适应学习率算法，能够快速收敛并且减少训练时间。Adam优化器计算出每个参数的独立自适应学习率，不需要手动调整学习率的大小，因此在实践中被广泛使用。
Adam优化器的更新规则如下：
Adam优化器的主要优点是它能够自适应地调整每个参数的学习率，从而提高模型的收敛速度和泛化能力。此外，Adam优化器的计算量相对较小，使得它在大规模深度学习任务中非常受欢迎。
二.Adam与策略梯度法结合
在训练模型时，参数会根据计算出的梯度和学习率进行更新。文中的梯度上升参数的更新公式为𝜃←𝜃+𝛼∇𝜃𝐽(𝜃)。式中的学习率α来自于Adam优化器，梯度来自于强化算法。在训练过程中，策略梯度算法计算出梯度，表明参数更新的大致方向，Adam优化器根据其自适应学习率机制，调整在这个方向上的更新步长。两者相互配合，既保证了参数更新朝着提升奖励（即提高模型性能）的方向进行，又避免了因步长过大或过小导致的收敛问题，使训练过程更加稳定和高效。
