點(diǎn)擊下方 卡片 ，關(guān)注“ 新機(jī)器視覺 ”公眾號(hào)
視覺/圖像重磅干貨，第一時(shí)間送達(dá)
轉(zhuǎn)載自 | 深度學(xué)習(xí)初學(xué)者
寫在前面
當(dāng)前使用的許多優(yōu)化算法，是對(duì)梯度下降法的衍生和優(yōu)化。在微積分中，對(duì)多元函數(shù)的參數(shù)求
偏導(dǎo)數(shù)，把求得的各個(gè)參數(shù)的導(dǎo)數(shù)以向量的形式寫出來就是梯度。梯度就是函數(shù)變化最快的地方。梯度下降是迭代法的一種，在求解機(jī)器學(xué)習(xí)算法的模型參數(shù)
時(shí)，即無約束問題時(shí)，梯度下降是最常采用的方法之一。
這里定義一個(gè)通用的思路框架，方便我們后面理解各算法之間的關(guān)系和改進(jìn)。首先定義待優(yōu)化參數(shù)
，目標(biāo)函數(shù)
，學(xué)習(xí)率為
，然后我們進(jìn)行迭代優(yōu)化，假設(shè)當(dāng)前的epoch為
，則有：
計(jì)算目標(biāo)函數(shù)關(guān)于當(dāng)前參數(shù)的梯度：
根據(jù)歷史梯度計(jì)算一階動(dòng)量和二階動(dòng)量： ，
計(jì)算當(dāng)前時(shí)刻的下降梯度：
其中，
為下一個(gè)時(shí)刻的參數(shù)，
為當(dāng)前時(shí)刻
參數(shù)，后面的描述我們都將結(jié)合這個(gè)框架來進(jìn)行。
鞍點(diǎn)：一個(gè)光滑函數(shù)的鞍點(diǎn)鄰域的曲線，曲面，或超曲面，都位于這點(diǎn)的切線的不同邊。例如這個(gè)二維圖形，像個(gè)馬鞍：在x-軸方向往上曲，在y-軸方向往下曲，鞍點(diǎn)就是（0，0）。
指數(shù)加權(quán)平均、偏差修正：可參見這篇文章
什么是指數(shù)加權(quán)平均、偏差修正？- 郭耀華 - 博客園
https://www.cnblogs.com/guoyaohua/p/8544835.html
Gradient Descent（GD）
在GD中沒有動(dòng)量的概念，也就是說在上述框架中：
；
，則我們?cè)诋?dāng)前時(shí)刻需要下降的梯度就是
，則使用梯度下降法更新參數(shù)為（假設(shè)當(dāng)前樣本為
，每當(dāng)樣本輸入時(shí)，參數(shù)即進(jìn)行更新）：
梯度下降算法中，模型參數(shù)的更新調(diào)整，與代價(jià)函數(shù)關(guān)于模型參數(shù)的梯度有關(guān)，即沿著梯度的方向不斷減小模型參數(shù)，從而最小化代價(jià)函數(shù)?；静呗钥梢岳斫鉃椤痹谟邢抟暰鄡?nèi)尋找最快路徑下山“，因此每走一步，參考當(dāng)前位置最陡的方向(即梯度)進(jìn)而邁出下一步，更形象的如下圖：
標(biāo)準(zhǔn)的梯度下降主要有兩個(gè)缺點(diǎn)：
訓(xùn)練速度慢：在應(yīng)用于大型數(shù)據(jù)集中，每輸入一個(gè)樣本都要更新一次參數(shù)，且每次迭代都要遍歷所有的樣本，會(huì)使得訓(xùn)練過程及其緩慢，需要花費(fèi)很長時(shí)間才能得到收斂解。
容易陷入局部最優(yōu)解：由于是在有限視距內(nèi)尋找下山的反向，當(dāng)陷入平坦的洼地，會(huì)誤以為到達(dá)了山地的最低點(diǎn)，從而不會(huì)繼續(xù)往下走。所謂的局部最優(yōu)解就是鞍點(diǎn)，落入鞍點(diǎn)，梯度為0，使得模型參數(shù)不在繼續(xù)更新。
Batch Gradient Descent（BGD）
BGD相對(duì)于標(biāo)準(zhǔn)GD進(jìn)行了改進(jìn)，改進(jìn)的地方通過它的名字應(yīng)該也能看出來，也就是不再是想標(biāo)準(zhǔn)GD一樣，對(duì)每個(gè)樣本輸入都進(jìn)行參數(shù)更新，而是針對(duì)一個(gè)批量的數(shù)據(jù)輸入進(jìn)行參數(shù)更新。我們假設(shè)批量訓(xùn)練樣本總數(shù) 為
，樣本為
，則在第
對(duì)樣本
上損失函數(shù)關(guān)于參數(shù)的梯度為
, 則使用BGD更新參數(shù)為：
從上面的公式我們可以看到，BGD其實(shí)是在一個(gè)批量的樣本數(shù)據(jù)中，求取該批量樣本梯度的均值來更新參數(shù)，即每次權(quán)值調(diào)整發(fā)生在批量樣本輸入之后，而不是每輸入一個(gè)樣本就更新一次模型參數(shù)，這樣就會(huì)大大加快訓(xùn)練速度，但是還是不夠，我們接著往下看。
Stochastic Gradient Descent（SGD）
隨機(jī)梯度下降法，不像BGD每一次參數(shù)更新，需要計(jì)算整個(gè)數(shù)據(jù)樣本集的梯度，而是每次參數(shù)更新時(shí)，僅僅選取一個(gè)樣本
計(jì)算其梯度，參數(shù)更新公式為：
公式看起來和上面標(biāo)準(zhǔn)GD一樣，但是注意了，這里的樣本是從批量中隨機(jī)選取一個(gè)，而標(biāo)準(zhǔn)GD是所有的輸入樣本都進(jìn)行計(jì)算?？梢钥吹紹GD和SGD是兩個(gè)極端，SGD由于每次參數(shù)更新僅僅需要計(jì)算一個(gè)樣本的梯度，訓(xùn)練速度很快，即使在樣本量很大的情況下，可能只需要其中一部分樣本就能迭代到最優(yōu)解，由于每次迭代并不是都向著整體最優(yōu)化方向，導(dǎo)致梯度下降的波動(dòng)非常大（如下圖），更容易從一個(gè)局部最優(yōu)跳到另一個(gè)局部最優(yōu)，準(zhǔn)確度下降。
論文中提到，當(dāng)緩慢降低學(xué)習(xí)率時(shí)，SGD會(huì)顯示與BGD相同的收斂行為，幾乎一定會(huì)收斂到局部（非凸優(yōu)化）或全局最小值（凸優(yōu)化）。
雖然看起來SGD波動(dòng)非常大，會(huì)走很多彎路，但是對(duì)梯度的要求很低（計(jì)算梯度快），而且對(duì)于引入噪聲，大量的理論和實(shí)踐工作證明，只要噪聲不是特別大，SGD都能很好地收斂。
應(yīng)用大型數(shù)據(jù)集時(shí)，訓(xùn)練速度很快。比如每次從百萬數(shù)據(jù)樣本中，取幾百個(gè)數(shù)據(jù)點(diǎn)，算一個(gè)SGD梯度，更新一下模型參數(shù)。相比于標(biāo)準(zhǔn)梯度下降法的遍歷全部樣本，每輸入一個(gè)樣本更新一次參數(shù)，要快得多。
SGD在隨機(jī)選擇梯度的同時(shí)會(huì)引入噪聲，使得權(quán)值更新的方向不一定正確（次要）。
SGD也沒能單獨(dú)克服局部最優(yōu)解的問題（主要）。
Mini-batch Gradient Descent（MBGD，也叫作SGD）
小批量梯度下降法就是結(jié)合BGD和SGD的折中，對(duì)于含有
個(gè)訓(xùn)練樣本的數(shù)據(jù)集，每次參數(shù)更新，選擇一個(gè)大小為 $m(m<n)$ 的mini-batch數(shù)據(jù)樣本計(jì)算其梯度，其參數(shù)更新公式如下：< p>
小批量梯度下降法即保證了訓(xùn)練的速度，又能保證最后收斂的準(zhǔn)確率，目前的SGD默認(rèn)是小批量梯度下降算法。常用的小批量尺寸范圍在50到256之間，但可能因不同的應(yīng)用而異。
Mini-batch gradient descent 不能保證很好的收斂性，learning rate 如果選擇的太小，收斂速度會(huì)很慢，如果太大，loss function 就會(huì)在極小值處不停地震蕩甚至偏離（有一種措施是先設(shè)定大一點(diǎn)的學(xué)習(xí)率，當(dāng)兩次迭代之間的變化低于某個(gè)閾值后，就減小 learning rate，不過這個(gè)閾值的設(shè)定需要提前寫好，這樣的話就不能夠適應(yīng)數(shù)據(jù)集的特點(diǎn)）。對(duì)于非凸函數(shù)，還要避免陷于局部極小值處，或者鞍點(diǎn)處，因?yàn)榘包c(diǎn)所有維度的梯度都接近于0，SGD 很容易被困在這里（會(huì)在鞍點(diǎn)或者局部最小點(diǎn)震蕩跳動(dòng)，因?yàn)樵诖它c(diǎn)處，如果是BGD的訓(xùn)練集全集帶入，則優(yōu)化會(huì)停止不動(dòng)，如果是mini-batch或者SGD，每次找到的梯度都是不同的，就會(huì)發(fā)生震蕩，來回跳動(dòng)）。
SGD對(duì)所有參數(shù)更新時(shí)應(yīng)用同樣的 learning rate，如果我們的數(shù)據(jù)是稀疏的，我們更希望對(duì)出現(xiàn)頻率低的特征進(jìn)行大一點(diǎn)的更新， 且learning rate會(huì)隨著更新的次數(shù)逐漸變小。
Momentum
momentum算法思想：參數(shù)更新時(shí)在一定程度上保留之前更新的方向，同時(shí)又利用當(dāng)前batch的梯度微調(diào)最終的更新方向，簡言之就是通過積累之前的動(dòng)量來加速當(dāng)前的梯度。從這里開始，我們引入一階動(dòng)量的概念（在mini-batch SGD的基礎(chǔ)之上），也就是說，在最開始說的框架中，
，而
不變，參數(shù)更新公式如下：
一階動(dòng)量是各個(gè)時(shí)刻梯度方向的指數(shù)移動(dòng)平均值，約等于最近
個(gè)時(shí)刻的梯度向量和的平均值（移動(dòng)平均是啥看最上面的文章）。也就是說，
時(shí)刻的下降方向，不僅由當(dāng)前點(diǎn)的梯度方向決定，而且由此前累積的下降方向決定。
的經(jīng)驗(yàn)值為0.9，這就意味著下降方向主要是此前累積的下降方向，并略微偏向當(dāng)前時(shí)刻的下降方向。在梯度方向改變時(shí)，momentum能夠降低參數(shù)更新速度，從而減少震蕩，在梯度方向相同時(shí)，momentum可以加速參數(shù)更新， 從而加速收斂，如下圖：
動(dòng)量主要解決SGD的兩個(gè)問題：
Hessian矩陣病態(tài)問題（可以理解為SGD在收斂過程中和正確梯度相比來回?cái)[動(dòng)比較大的問題）。
Nesterov Accelerated Gradient
NAG(Nesterov accelerated gradient）算法，是Momentum動(dòng)量算法的變種。momentum保留了上一時(shí)刻的梯度
，對(duì)其沒有進(jìn)行任何改變，NAG是momentum的改進(jìn)，在梯度更新時(shí)做一個(gè)矯正，具體做法就是在當(dāng)前的梯度上添加上一時(shí)刻的動(dòng)量
，梯度改變?yōu)?nbsp;
，參數(shù)更新公式如下：
加上nesterov項(xiàng)后，梯度在大的跳躍后，進(jìn)行計(jì)算對(duì)當(dāng)前梯度進(jìn)行校正。下圖是momentum和nesterrov的對(duì)比表述圖如下：
Nesterov動(dòng)量梯度的計(jì)算在模型參數(shù)施加當(dāng)前速度之后，因此可以理解為往標(biāo)準(zhǔn)動(dòng)量中添加了一個(gè)校正因子。在凸批量梯度的情況下，Nesterov動(dòng)量將額外誤差收斂率從
(k步后)改進(jìn)到
，然而，在隨機(jī)梯度情況下，Nesterov動(dòng)量對(duì)收斂率的作用卻不是很大。
Momentum和Nexterov都是為了使梯度更新更靈活。但是人工設(shè)計(jì)的學(xué)習(xí)率總是有些生硬，下面介紹幾種自適應(yīng)學(xué)習(xí)率的方法。
Adagrad
Adagrad其實(shí)是對(duì)學(xué)習(xí)率進(jìn)行了一個(gè)約束，對(duì)于經(jīng)常更新的參數(shù)，我們已經(jīng)積累了大量關(guān)于它的知識(shí)，不希望被單個(gè)樣本影響太大，希望學(xué)習(xí)速率慢一些；對(duì)于偶爾更新的參數(shù)，我們了解的信息太少，希望能從每個(gè)偶然出現(xiàn)的樣本身上多學(xué)一些，即學(xué)習(xí)速率大一些。而該方法中開始使用二階動(dòng)量，才意味著“自適應(yīng)學(xué)習(xí)率”優(yōu)化算法時(shí)代的到來。
我們前面都沒有好好的討論二階動(dòng)量，二階動(dòng)量是個(gè)啥？它是用來度量歷史更新頻率的，二階動(dòng)量是迄今為止所有梯度值的平方和，即
，在最上面的框架中
（在這里
）， 也就是說，我們的學(xué)習(xí)率現(xiàn)在是
（一般為了避免分母為0，會(huì)在分母上加一個(gè)小的平滑項(xiàng)
），從這里我們就會(huì)發(fā)現(xiàn)
是恒大于0的，而且參數(shù)更新越頻繁，二階動(dòng)量越大，學(xué)習(xí)率就越小，這一方法在稀疏數(shù)據(jù)場景下表現(xiàn)非常好，參數(shù)更新公式如下：
細(xì)心的小伙伴應(yīng)該會(huì)發(fā)現(xiàn)Adagrad還是存在一個(gè)很明顯的缺點(diǎn)：
仍需要手工設(shè)置一個(gè)全局學(xué)習(xí)率
, 如果
設(shè)置過大的話，會(huì)使regularizer過于敏感，對(duì)梯度的調(diào)節(jié)太大
中后期，分母上梯度累加的平方和會(huì)越來越大，使得參數(shù)更新量趨近于0，使得訓(xùn)練提前結(jié)束，無法學(xué)習(xí)
Adadelta
由于AdaGrad調(diào)整學(xué)習(xí)率變化過于激進(jìn)，我們考慮一個(gè)改變二階動(dòng)量計(jì)算方法的策略：不累積全部歷史梯度，而只關(guān)注過去一段時(shí)間窗口的下降梯度，即Adadelta只累加固定大小的項(xiàng)，并且也不直接存儲(chǔ)這些項(xiàng)，僅僅是近似計(jì)算對(duì)應(yīng)的平均值（指數(shù)移動(dòng)平均值），這就避免了二階動(dòng)量持續(xù)累積、導(dǎo)致訓(xùn)練過程提前結(jié)束的問題了，參數(shù)更新公式如下：
觀察上面的參數(shù)更新公式，我們發(fā)現(xiàn)還是依賴于全局學(xué)習(xí)率
，但是原作者在此基礎(chǔ)之上做出了一定的處理，上式經(jīng)過牛頓迭代法之后，得到Adadelta最終迭代公式如下式，其中
：
此時(shí)可以看出Adadelta已經(jīng)不依賴全局learning rate了 ，Adadelta有如下特點(diǎn)：
訓(xùn)練初中期，加速效果不錯(cuò)，很快
訓(xùn)練后期，反復(fù)在局部最小值附近抖動(dòng)
RMSprop
RMSProp算法修改了AdaGrad的梯度平方和累加為指數(shù)加權(quán)的移動(dòng)平均，使得其在非凸設(shè)定下效果更好。設(shè)定參數(shù)：全局初始率
, 默認(rèn)設(shè)為0.001，decay rate
，默認(rèn)設(shè)置為0.9，一個(gè)極小的常量
，通常為10e-6，參數(shù)更新公式如下，其中
：
其實(shí)RMSprop依然依賴于全局學(xué)習(xí)率
RMSprop算是Adagrad的一種發(fā)展，和Adadelta的變體，效果趨于二者之間
適合處理非平穩(wěn)目標(biāo)(包括季節(jié)性和周期性)——對(duì)于RNN效果很好
Adaptive Moment Estimation（Adam）
其實(shí)有了前面的方法，Adam和Nadam的出現(xiàn)就很理所當(dāng)然的了，因?yàn)樗鼈兘Y(jié)合了前面方法的一階動(dòng)量和二階動(dòng)量。我們看到，SGD-M和NAG在SGD基礎(chǔ)上增加了一階動(dòng)量，AdaGrad和AdaDelta在SGD基礎(chǔ)上增加了二階動(dòng)量，參數(shù)更新公式如下（按照最開始總結(jié)的計(jì)算框架）：
通常情況下，默認(rèn)值為
、
和
，Adam通常被認(rèn)為對(duì)超參數(shù)的選擇相當(dāng)魯棒，特點(diǎn)如下：
Adam梯度經(jīng)過偏置校正后，每一次迭代學(xué)習(xí)率都有一個(gè)固定范圍，使得參數(shù)比較平穩(wěn)。
結(jié)合了Adagrad善于處理稀疏梯度和RMSprop善于處理非平穩(wěn)目標(biāo)的優(yōu)點(diǎn)
為不同的參數(shù)計(jì)算不同的自適應(yīng)學(xué)習(xí)率
也適用于大多非凸優(yōu)化問題——適用于大數(shù)據(jù)集和高維空間。
AdaMax
Adamax是Adam的一種變體，此方法對(duì)學(xué)習(xí)率的上限提供了一個(gè)更簡單的范圍，即使用無窮范式，參數(shù)更新公式如下：
Nadam
其實(shí)如果說要集成所有方法的優(yōu)點(diǎn)于一身的話，Nadam應(yīng)該就是了，Adam遺漏了啥？沒錯(cuò)，就是Nesterov項(xiàng)，我們?cè)贏dam的基礎(chǔ)上，加上Nesterov項(xiàng)就是Nadam了，參數(shù)更新公式如下：
可以看出，Nadam對(duì)學(xué)習(xí)率有更強(qiáng)的約束，同時(shí)對(duì)梯度的更新也有更直接的影響。一般而言，在使用帶動(dòng)量的RMSprop或Adam的問題上，使用Nadam可以取得更好的結(jié)果。
來張直觀的動(dòng)態(tài)圖展示上述優(yōu)化算法的效果：
下圖描述了在一個(gè)曲面上，6種優(yōu)化器的表現(xiàn)：
下圖在一個(gè)存在鞍點(diǎn)的曲面，比較6中優(yōu)化器的性能表現(xiàn)：
下圖圖比較了6種優(yōu)化器收斂到目標(biāo)點(diǎn)（五角星）的運(yùn)行過程
總結(jié)
那種優(yōu)化器最好？該選擇哪種優(yōu)化算法？目前還沒能夠達(dá)達(dá)成共識(shí)。Schaul et al (2014)展示了許多優(yōu)化算法在大量學(xué)習(xí)任務(wù)上極具價(jià)值的比較。雖然結(jié)果表明，具有自適應(yīng)學(xué)習(xí)率的優(yōu)化器表現(xiàn)的很魯棒，不分伯仲，但是沒有哪種算法能夠脫穎而出。
目前，最流行并且使用很高的優(yōu)化器（算法）包括SGD、具有動(dòng)量的SGD、RMSprop、具有動(dòng)量的RMSProp、AdaDelta和Adam。在實(shí)際應(yīng)用中，選擇哪種優(yōu)化器應(yīng)結(jié)合具體問題；同時(shí)，也優(yōu)化器的選擇也取決于使用者對(duì)優(yōu)化器的熟悉程度（比如參數(shù)的調(diào)節(jié)等等）。
對(duì)于稀疏數(shù)據(jù)，盡量使用學(xué)習(xí)率可自適應(yīng)的優(yōu)化方法，不用手動(dòng)調(diào)節(jié)，而且最好采用默認(rèn)值
SGD通常訓(xùn)練時(shí)間更長，但是在好的初始化和學(xué)習(xí)率調(diào)度方案的情況下，結(jié)果更可靠
如果在意更快的收斂，并且需要訓(xùn)練較深較復(fù)雜的網(wǎng)絡(luò)時(shí)，推薦使用學(xué)習(xí)率自適應(yīng)的優(yōu)化方法。
Adadelta，RMSprop，Adam是比較相近的算法，在相似的情況下表現(xiàn)差不多。
在想使用帶動(dòng)量的RMSprop，或者Adam的地方，大多可以使用Nadam取得更好的效果
如果驗(yàn)證損失較長時(shí)間沒有得到改善，可以停止訓(xùn)練。
添加梯度噪聲（高斯分布
）到參數(shù)更新，可使網(wǎng)絡(luò)對(duì)不良初始化更加健壯，并有助于訓(xùn)練特別深而復(fù)雜的網(wǎng)絡(luò)。
An overview of gradient descent optimization algorithms（https://ruder.io/optimizing-gradient-descent/）
深度學(xué)習(xí)最全優(yōu)化方法總結(jié)比較（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam）（https://zhuanlan.zhihu.com/p/22252270）
visualize_optimizers（https://github.com/snnclsr/visualize_optimizers）
lossfunctions（https://lossfunctions.tumblr.com/）
優(yōu)化算法Optimizer比較和總結(jié)（https://zhuanlan.zhihu.com/p/55150256）
一個(gè)框架看懂優(yōu)化算法之異同 SGD/AdaGrad/Adam（https://zhuanlan.zhihu.com/p/32230623）
深度學(xué)習(xí)——優(yōu)化器算法Optimizer詳解（BGD、SGD、MBGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam）（https://www.cnblogs.com/guoyaohua/p/8542554.html）
機(jī)器學(xué)習(xí)：各種優(yōu)化器Optimizer的總結(jié)與比較（https://blog.csdn.net/weixin_40170902/article/details/80092628）
optimizer優(yōu)化算法總結(jié)（https://blog.csdn.net/muyu709287760/article/details/62531509#%E4%B8%89%E7%A7%8Dgradient-descent%E5%AF%B9%E6%AF%94）
—版權(quán)聲明—
僅用于學(xué)術(shù)分享，版權(quán)屬于原作者。
若有侵權(quán)，請(qǐng)聯(lián)系微信號(hào):yiyang-sy 刪除或修改！
