Los métodos de optimización son de gran importancia para el entrenamiento eficiente de las redes neuronales. Hay muchos artículos en la literatura que proponen variantes particulares de optimizadores existentes. En nuestro artículo, proponemos el uso de la combinación de dos optimizadores muy diferentes que, al usarse simultáneamente, pueden superar el rendimiento de los optimizadores individuales en problemas muy diferentes. Proponemos un nuevo optimizador llamado ATMO (AdapTive Meta Optimizers), que integra dos optimizadores diferentes simultáneamente, ponderando las contribuciones de ambos. En lugar de intentar mejorar cada uno por separado, aprovechamos ambos al mismo tiempo, como un meta-optimizador, tomando lo mejor de ambos. Hemos realizado varios experimentos en la clasificación de imágenes y documentos de texto, utilizando varios tipos de modelos neuronales profundos, y hemos demostrado a través de experimentos que el ATMO propuesto produce un mejor rendimiento que los optimizadores individuales.