机器学习（3）之优化器（梯度下降方法（Gradient Descent））用来调整学习率（learning rate）

1.调整学习率

如果每次调的太大，loss变化就很快：调的太小，loss变化的太慢，这样都找不到最小的loss。

那么，我们怎么调整学习率呢？很容易想到，一开始调的时候，设置的大一些，经过几次调整，快接近目标时，我们就把学习率调小一些。那么最好的情况应该是对于每一个不同的参数设置不同的学习率。于是就有了不同的梯度下降的方法。

2.Adgrad

采取这种方法调整参数的过程如下：第一个公式Vanilla Gradient descent
就是传统的梯度下降的方法，（请参考上一篇文章）第二种Adagrad就是在第一种的基础上加了一个σ，σ的计算过程如第二张图。

第二张图在这里：

约分简化如下：

那么问题来了，对于传统的梯度下降，梯度gradient越大，变化的越快，但是在Adagrad里g和分母正好变化相反，这里是什么原因呢，其实为了造成一种反差的效果。
其实，它加的分母是过去所有gradient的和，如果过去的gradient很大，说明比较陡，那么就用学习率除以大的数，让它下一次变化的小一点；如果过去的gradient比较小，那么就可以放心的走下去，让下次变化大一些。


RMSProp公式和Adagrad类似，只不过学习率除以的那个数不一样，Adagrad的那个分母是直接把所有过去的gradient加起来，但是RMSProp有点类似的借用SGDM的算法，确保学习率除以根号v不会永无止境的变大，在时间上和前面的梯度有联系，这样就不会出现Adgrad的问题（走没几步就因为前几步的梯度太大停下）。

但是这样还不能解决SGD存在的可能卡在gradient为0的位置，所以Adam算法就把SGDM和RMSProp结合起来。

3.随机梯度下降（stochastic gradient descent）

传统的需要看完所有的输入x才更新参数，（内层的求和符号表示是对i求和，也就是第某个输入x的所有特征，外层的求和是对n求，表示n个输入），但是SGD每看到一个输入x（外层没求和），就更新一次参数，所以更快。


还有一种SGDM（SGD with Monmentum），为Monmentum定义一个向量，移动的时候受之前时刻的gradient的影响，这么做的原因是可以避免SGD中出现局部梯度为零的情况。
如下图，如果是SGD，到达第三个点的时候就不会动，如果到第四个点就会往回走，往左边移动，但是SGDM有过去时刻的梯度，就会往右边移动。

4.特征缩放（Feature Scaling）

通过求对数或者指数使数据分布范围近似。

常见的方法，其中m是平均值，σ是标准差，

5.梯度下降的原理（了解）

梯度下降的原理可以用泰勒级数来解释，把损失函数用泰勒级数展开如下，

然后在红圈里求最小的损失函数：

不难发现怎么让损失函数最小呢？就是让我， △θ最大，假设中心点向量为u，v，那么让△θ取和u，v相反的方向，且取到圈圈的边缘就可保证损失函数最小。所以△θ就是u，v乘以一个负数，保证反向。

代换一下如下图所示，就表示出了梯度下降。

6.梯度下降的局限性

7.常用的优化器（梯度下降方法）

8.训练模型的一些建议

通常在CV领域都用SGDM，在NLP大部分都会用Adam。