深度学习最全优化方法总结比较（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam）

最新推荐文章于 2024-09-05 06:30:00 发布

麦晓宇

最新推荐文章于 2024-09-05 06:30:00 发布

阅读量1.9w

点赞数 3

分类专栏：深度学习

深度学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

前言

（标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。

SGD

此处的SGD指小批量梯度下降，关于批量梯度下降，随机梯度下降，以及小批量梯度下降的具体区别就不细说了。现在的SGD一般都指小批量梯度下降。

SGD就是每一次迭代计算小批量的梯度，然后对参数进行更新，是最常见的优化方法了即：

$G_T = \ nabla _ {\ theta_ {T-1}} {F（\ theta_ {T-1}）}$

$\德尔塔{\ theta_t} = - \ ETA * G_T$

其中，是学习率，是梯度SGD完全依赖于当前批次的梯度，所以可理解为允许当前批次的梯度多大程度影响参数更新 $\ ETA$ G_T $\ ETA$

缺点 :(正因为有这些缺点才让这么多大神发展出了后续的各种算法）

选择合适的学习率比较困难 - 对所有的参数更新使用同样的学习率。对于稀疏数据或者特征，有时我们可能想更新快一些对于不经常出现的特征，对于常出现的特征更新慢一些，这时候SGD就不太能满足要求了

新闻，并且在某些情况下可能被困在鞍点影响并没这么大。感谢@ 冰橙的指正】

动量

气势是模拟物理里动量的概念，积累之前的动量来替代真正的梯度公式如下：

$= M_T \亩* M_ {T-1} + G_T$

$\德尔塔{\ theta_t} = - \ ETA * M_T$

其中，是动量因子 $\亩$

特点：

下降初期时，使用上一次参数更新，下降方向一致，上乘较大的能够进行很好的加速 $\亩$
下降中后期时，在局部最小值来回震荡的时候，，使得更新幅度增大，跳出陷阱 $梯度\ TO0$ $\亩$
在梯度改变方向的时候，能够减少更新总而言之，动量项能够在相关方向加速新元，抑制振荡，从而加快收敛 $\亩$

涅斯捷罗夫

nesterov项在梯度更新时做一个校正，避免前进太快，同时提高灵敏度。将上一节中的公式展开可得：

$\德尔塔{\ theta_t} = - \ ETA * \亩* M_ {T-1} - \ ETA * G_T$

可以看出，并没有直接改变当前梯度，所以涅斯捷罗夫的改进就是让之前的动量直接影响当前的动量即： $M_ {T-1}$ G_T

$G_T = \ nabla _ {\ theta_ {T-1}} {F（\ theta_ {T-1} - \ ETA * \亩* M_ {T-1}）}$

$= M_T \亩* M_ {T-1} + G_T$

$\德尔塔{\ theta_t} = - \ ETA * M_T$

所以，加上涅斯捷罗夫项后，梯度在大的跳跃后，进行计算对当前梯度进行校正如下图：

动量首先计算一个梯度（短的蓝色向量），然后在加速更新梯度的方向进行一个大的跳跃（长的蓝色向量），涅斯捷罗夫项首先在之前加速的梯度方向进行一个大的跳跃（棕色向量），计算梯度然后进行校正（绿色梯向量）

其实，动量项和涅斯捷罗夫项都是为了使梯度更新更加灵活，对不同情况有针对性。但是，人工设置一些学习率总还是有些生硬，接下来介绍几种自适应学习率的方法

Adagrad

Adagrad其实是对学习率进行了一个约束即：

$N_T = N_ {T-1} + G_T ^ 2$

$\德尔塔{\ theta_t} = - \压裂{\ ETA} {\ SQRT {N_T + \小量}} * G_T$

此处，对从1到进行一个递推形成一个约束项正则，，用来保证分母非0 G_T $- \压裂{1} {\ SQRT {\ sum_ {R = 1} ^ T（G_R）^ 2 + \小量}}$ $\小量$

特点：

前期较小的时候，regularizer较大，能够放大梯度
后期较大的时候，正则较小，能够约束梯度
适合处理稀疏梯度

缺点：

由公式可以看出，仍依赖于人工设置一个全局学习率
$\ ETA$ 设置过大的话，会使正则过于敏感，对梯度的调节太大
中后期，分母上梯度平方的累加将会越来越大，使，使得训练提前结束 $梯度\ TO0$

Adadelta

Adadelta是对Adagrad的扩展，最初方案依然是对学习率进行自适应约束，但是进行了计算上的简化.Adagrad会累加之前所有的梯度平方，而Adadelta只累加固定大小的项，并且也不直接存储这些项，仅仅是近似计算对应的平均值即：

$N_T = \ NU * N_ {T-1} +（1 \ NU）* G_T ^ 2$

$\ Delta {\ theta_t} = - \ frac {\ eta} {\ sqrt {n_t + \ epsilon}} * g_t$

在此处Adadelta其实还是依赖于全局学习率的，但是作者做了一定处理，经过近似牛顿迭代法之后：

$E | G ^ 2 | _t = \ RHO * E | G ^ 2 | _ {T-1} +（1 \ RHO）* G_T ^ 2$

$\德尔塔{X_T} = - \压裂{\ SQRT {\ sum_ {R = 1} ^ {T-1} \ {三角洲x_r}}} {\ SQRT {E | G ^ 2 | _t + \小量}}$

其中，代表求期望。

此时，可以看出Adadelta已经不用依赖于全局学习率了。

特点：

训练初中期，加速效果不错，很快
训练后期，反复在局部最小值附近抖动

RMSprop

RMSprop可以算作Adadelta的一个特例：

当时，就变为了求梯度平方和的平均数。 $\ RHO = 0.5$ $E | G ^ 2 | _t = \ RHO * E | G ^ 2 | _ {T-1} +（1 \ RHO）* G_T ^ 2$

如果再求根的话，就变成了RMS（均方根）：

$RMS | G | = _t \ SQRT {E | G ^ 2 | _t + \小量}$

此时，这个RMS可以就学习作为率的一个约束： $\ ETA$

$\德尔塔{X_T} = - \压裂{\ ETA} {RMS | G | _t} * G_T$

特点：

其实RMSprop依然依赖于全局学习率
RMSprop算是Adagrad的一种发展，和Adadelta的变体，效果趋于二者之间
适合处理非平稳目标 - 对于RNN效果很好

亚当

Adam（Adaptive Moment Estimation）本质上是带有动量项的RMSprop，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率.Adam的优点主要在于经过偏置校正后， - 一次迭代学习率都有个确定范围，使得参数比较平稳公式如下：

$= M_T \亩* M_ {T-1} +（1 \亩）* G_T$

$N_T = \ NU * N_ {T-1} +（1 \ NU）* G_T ^ 2$

$\帽子{} M_T = \压裂{} M_T {1- \亩^ T}$

$\帽子{N_T} = \压裂{N_T} {1- \ NU ^ T}$

$\德尔塔{\ theta_t} = - \压裂{\帽子{} M_T} {\ SQRT {\帽子{N_T}} + \小量} * \ ETA$

其中，，分别是对梯度的一阶矩估计和二阶矩估计，可以看作对期望，的估计; ，是对，。的校正，这样可以近似为对期望的无偏估计可以看出，直接对梯度的矩估计对内存没有额外的要求，而且可以根据梯度进行动态调整，而对学习率形成一个动态约束，而且有明确的范围。 N_T E | G_T | E | G_T ^ 2 | $\ {帽子} M_T$ $\ {帽子} N_T$ N_T $- \压裂{\帽子{} M_T} {\ SQRT {\帽子{N_T}} + \小量}$

特点：

结合了Adagrad善于处理稀疏梯度和RMSprop善于处理非平稳目标的优点
对内存需求较小
为不同的参数计算不同的自适应学习率
也适用于大多非凸优化 - 适用于大数据集和高维空间

Adamax

。Adamax是亚当的一种变体，此方法对学习率的上限提供了一个更简单的范围公式上的变化如下：

$N_T = MAX（\ NU * N_ {T-1}，| G_T |）$

$\德尔塔{X} = - \压裂{\帽子{M_T}} {+ N_T \小量} * \ ETA$

可以看出，Adamax学习率的边界范围更简单

那达慕

那达慕类似于带有涅斯捷罗夫动量项的亚当公式如下：

$\帽子{G_T} = \压裂{G_T} {1- \ Pi_ {I = 1} ^ T \ mu_i}$

$= M_T \ mu_t * M_ {T-1} +（1 \ mu_t）* G_T$

$\帽子{} M_T = \压裂{} M_T {1- \ Pi_ {I = 1} ^ {T + 1} \ mu_i}$

$N_T = \ NU * N_ {T-1} +（1 \ NU）* G_T ^ 2$

$\帽子{N_T} = \压裂{N_T} {1- \ NU ^ T}$ $\ {栏} M_T =（1-\ mu_t）* \帽子{G_T} + \ mu_ {T + 1} * \帽子{} M_T$

$\德尔塔{\ theta_t} = - \ ETA * \压裂{\酒吧{} M_T} {\ SQRT {\帽子{N_T}} + \小量}$