相比sgdm，Adam的优点

Adam（Adaptive Moment Estimation）是一种基于梯度下降的优化算法，它结合了AdaGrad和RMSProp的优点，具有以下优点：

1. 自适应性学习率：Adam算法通过自适应地调整每个权重的学习率，能够更快地收敛，而且不需要手动调整学习率。

2. 二阶矩估计：Adam算法使用梯度的一阶矩和二阶矩估计来调整每个参数的学习率，因此在处理非平稳目标函数和噪声较大的数据时，比SGD等算法更稳定。

3. 适合大规模数据和高维度特征： Adam算法在大规模数据和高维度特征的训练中，相比于SGD等算法，具有更好的优化效果。

4. 收敛速度快：Adam算法的自适应性学习率和二阶矩估计使得其在收敛速度上优于SGD等算法。

综上所述，Adam算法在优化神经网络模型时具有自适应性、二阶矩估计、适合大规模数据和高维度特征以及收敛速度快等优点，因此在实际应用中被广泛使用。