Un optimizador juega un papel decisivo en la eficiencia y efectividad del entrenamiento del modelo en el aprendizaje profundo. Aunque Adam y sus variantes son ampliamente utilizados, no se considera el impacto de la complejidad del modelo en el entrenamiento, lo que conduce a inestabilidad o convergencia lenta cuando se entrena un modelo complejo. Para abordar este problema, proponemos un optimizador AMC (Adam con Complejidad del Modelo), que ajusta dinámicamente la tasa de aprendizaje incorporando la complejidad del modelo, mejorando así la estabilidad del entrenamiento y la velocidad de convergencia. AMC utiliza la norma de Frobenius del modelo para medir su complejidad, disminuyendo automáticamente la tasa de aprendizaje de los modelos complejos y aumentando la tasa de aprendizaje de los modelos simples, optimizando así el proceso de entrenamiento. Proporcionamos un análisis teórico para demostrar la relación entre la complejidad del modelo y la tasa de aprendizaje, así como las cotas de convergencia de AMC. Experimentos en múltiples conjuntos de datos de referencia muestran que, en comparación con varios optimizadores ampliamente utilizados, AMC presenta una mejor estabilidad y una convergencia más rápida, especialmente en el entrenamiento de modelos complejos.