Adadelta是一种自适应学习率优化算法，旨在解决传统梯度下降算法中需要手动调整学习率的问题。其工作原理基于RMSprop，并利用了梯度累积和自适应学习率的思想。相对于其他优化器如Adam，Adadelta不需要设置学习率、动量参数等超参数，因此更加方便使用。

在Adadelta中，每个参数都有两个累积变量：一个是平方梯度的指数衰减和一个是更新步骤的指数衰减。算法首先计算一个梯度的移动平均值，并将这个平均值的平方根作为更新步骤的缩放因子。这样可以避免学习率的设置，并且随着训练的进行，更新步骤会逐渐调整以适应不同参数的变化情况。

另一个重要的特点是Adadelta只关注最近的梯度信息，而不是所有历史梯度的累积。这种机制减少了存储需求并提高了计算效率，尤其适用于大规模深度学习模型的训练。

总的来说，Adadelta通过动态调整学习率和更新步骤大小，使得模型训练更加稳定且收敛速度更快。它的自适应性质使得在实践中往往表现良好，成为许多深度学习任务的首选优化算法之一。