链接:https://zhuanlan.zhihu.com/p/22252270
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
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mini-batch gradient descent,关于batch gradient descent, stochastic gradient descent, 以及 mini-batch gradient descent的具体区别就不细说了。现在的SGD一般都指mini-batch gradient descent。
SGD就是每一次迭代计算mini-batch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})}](https://i-blog.csdnimg.cn/blog_migrate/2f344755f881e5bb640e9cec8bc900fd.png)
![\Delta{\theta_t}=-\eta*g_t](https://i-blog.csdnimg.cn/blog_migrate/fdb5efe0852ab937250d94a87cb75933.png)
其中,是学习率,
是梯度SGD完全依赖于当前batch的梯度,所以
可理解为允许当前batch的梯度多大程度影响参数更新
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learning rate比较困难- 对所有的参数更新使用同样的learning rate。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
- SGD容易收敛到局部最优,并且在某些情况下可能被困在鞍点【原来写的是“容易困于鞍点”,经查阅论文发现,其实在合适的初始化和step size的情况下,鞍点的影响并没这么大。感谢@冰橙的指正】
Momentum
momentum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=\mu*m_{t-1}+g_t](https://i-blog.csdnimg.cn/blog_migrate/7049cd0f02365e001006d9658e99b0e0.png)
![\Delta{\theta_t}=-\eta*m_t](https://i-blog.csdnimg.cn/blog_migrate/a3d0c931199ce96a3350ad81d31e3346.png)
其中,是动量因子
特点:
- 下降初期时,使用上一次参数更新,下降方向一致,乘上较大的
能够进行很好的加速
- 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
- 在梯度改变方向的时候,
能够减少更新总而言之,momentum项能够在相关方向加速SGD,抑制振荡,从而加快收敛
Nesterov
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:
![\Delta{\theta_t}=-\eta*\mu*m_{t-1}-\eta*g_t](https://i-blog.csdnimg.cn/blog_migrate/b934de82247cdb54aabaa4c16c8d9af7.png)
可以看出,并没有直接改变当前梯度
,所以Nesterov的改进就是让之前的动量直接影响当前的动量。即:
![g_t=\nabla_{\theta_{t-1}}{f(\theta_{t-1}-\eta*\mu*m_{t-1})}](https://i-blog.csdnimg.cn/blog_migrate/0dcabe5f6d91a475b3d5c672c5b0070e.png%3D%5Cnabla_%7B%5Ctheta_%7Bt-1%7D%7D%7Bf%28%5Ctheta_%7Bt-1%7D-%5Ceta%2A%5Cmu%2Am_%7Bt-1%7D%29%7D)
![m_t=\mu*m_{t-1}+g_t](https://i-blog.csdnimg.cn/blog_migrate/7049cd0f02365e001006d9658e99b0e0.png)
![\Delta{\theta_t}=-\eta*m_t](https://i-blog.csdnimg.cn/blog_migrate/a3d0c931199ce96a3350ad81d31e3346.png)
所以,加上nesterov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:
![](https://i-blog.csdnimg.cn/blog_migrate/6916734483aa8dcab15f576a3473e629.png)
momentum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),nesterov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,momentum项和nesterov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](https://i-blog.csdnimg.cn/blog_migrate/50ffef7cb538513289bd817e9072a4f6.png)
![\Delta{\theta_t}=-\frac{\eta}{\sqrt{n_t+\epsilon}}*g_t](https://i-blog.csdnimg.cn/blog_migrate/1146554e2fcb032d0bdef1fa3fef6ff0.png)
此处,对从1到
进行一个递推形成一个约束项regularizer,
,
用来保证分母非0
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,regularizer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
设置过大的话,会使regularizer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
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](https://i-blog.csdnimg.cn/blog_migrate/aa8fc93f235e0c7c224213a83d702982.png)
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](https://i-blog.csdnimg.cn/blog_migrate/023aefbcd23a5a9f21186ba05e4a66e0.png)
![\Delta{x_t}=-\frac{\sqrt{\sum_{r=1}^{t-1}\Delta{x_r}}}{\sqrt{E|g^2|_t+\epsilon}}](https://i-blog.csdnimg.cn/blog_migrate/07996193417e1814f98a09973bc6feea.png)
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。
如果再求根的话,就变成了RMS(均方根):
![RMS|g|_t=\sqrt{E|g^2|_t+\epsilon}](https://i-blog.csdnimg.cn/blog_migrate/26a0caba6813ea7fd113f08a4233a4d6.png)
此时,这个RMS就可以作为学习率的一个约束:
![\Delta{x_t}=-\frac{\eta}{RMS|g|_t}*g_t](https://i-blog.csdnimg.cn/blog_migrate/0549b96b4020d60c5b85861d721cc521.png)
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
Adam
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,每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=\mu*m_{t-1}+(1-\mu)*g_t](https://i-blog.csdnimg.cn/blog_migrate/dfaafd3fc0de22e14321b4454d3273b3.png)
![n_t=\nu*n_{t-1}+(1-\nu)*g_t^2](https://i-blog.csdnimg.cn/blog_migrate/aa8fc93f235e0c7c224213a83d702982.png)
![\hat{m_t}=\frac{m_t}{1-\mu^t}](https://i-blog.csdnimg.cn/blog_migrate/1d32f8f13651097ac20f337809bd24c2.png)
![\hat{n_t}=\frac{n_t}{1-\nu^t}](https://i-blog.csdnimg.cn/blog_migrate/57246bfe07400b20aa9d80ac78dd5195.png)
![\Delta{\theta_t}=-\frac{\hat{m_t}}{\sqrt{\hat{n_t}}+\epsilon}*\eta](https://i-blog.csdnimg.cn/blog_migrate/8f7ac44b1a700cbb9ace80f027abd47c.png)
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。
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Adam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|)](https://i-blog.csdnimg.cn/blog_migrate/62d180619b00af7f013433beb52848af.png%3Dmax%28%5Cnu%2An_%7Bt-1%7D%2C%7Cg_t%7C%29)
![\Delta{x}=-\frac{\hat{m_t}}{n_t+\epsilon}*\eta](https://i-blog.csdnimg.cn/blog_migrate/f3b04955649afca53b000b3e0684f88b.png)
可以看出,Adamax学习率的边界范围更简单
Nadam
Nadam类似于带有Nesterov动量项的Adam。公式如下:
![\hat{g_t}=\frac{g_t}{1-\Pi_{i=1}^t\mu_i}](https://i-blog.csdnimg.cn/blog_migrate/a4491e11b0609f671f7167001c5be1a8.png)
![m_t=\mu_t*m_{t-1}+(1-\mu_t)*g_t](https://i-blog.csdnimg.cn/blog_migrate/4d1be2e8809d79e0af4f3ef66953c42b.png%3D%5Cmu_t%2Am_%7Bt-1%7D%2B%281-%5Cmu_t%29%2Ag_t)
![\hat{m_t}=\frac{m_t}{1-\Pi_{i=1}^{t+1}\mu_i}](https://i-blog.csdnimg.cn/blog_migrate/e60c540ef4404127bafc04b2fabbb63e.png%3D%5Cfrac%7Bm_t%7D%7B1-%5CPi_%7Bi%3D1%7D%5E%7Bt%2B1%7D%5Cmu_i%7D)
![n_t=\nu*n_{t-1}+(1-\nu)*g_t^2](https://i-blog.csdnimg.cn/blog_migrate/aa8fc93f235e0c7c224213a83d702982.png)
![\hat{n_t}=\frac{n_t}{1-\nu^t}](https://i-blog.csdnimg.cn/blog_migrate/57246bfe07400b20aa9d80ac78dd5195.png)
![\bar{m_t}=(1-\mu_t)*\hat{g_t}+\mu_{t+1}*\hat{m_t}](https://i-blog.csdnimg.cn/blog_migrate/6318d6069dc96d0320362cd2d6779829.png)
![\Delta{\theta_t}=-\eta*\frac{\bar{m_t}}{\sqrt{\hat{n_t}}+\epsilon}](https://i-blog.csdnimg.cn/blog_migrate/9af6252ddf02cf747b15d309a5d7cd01.png)
可以看出,Nadam对学习率有了更强的约束,同时对梯度的更新也有更直接的影响。一般而言,在想使用带动量的RMSprop,或者Adam的地方,大多可以使用Nadam取得更好的效果。
经验之谈
- 对于稀疏数据,尽量使用学习率可自适应的优化方法,不用手动调节,而且最好采用默认值
- SGD通常训练时间更长,但是在好的初始化和学习率调度方案的情况下,结果更可靠
- 如果在意更快的收敛,并且需要训练较深较复杂的网络时,推荐使用学习率自适应的优化方法。
- Adadelta,RMSprop,Adam是比较相近的算法,在相似的情况下表现差不多。
- 在想使用带动量的RMSprop,或者Adam的地方,大多可以使用Nadam取得更好的效果
最后展示两张可厉害的图,一切尽在图中啊,上面的都没啥用了... ...
损失平面等高线
在鞍点处的比较
转载须全文转载且注明作者和原文链接,否则保留维权权利
引用
[1] Adagrad[3]Adadelta
[4]Adam
[5]Nadam
[6]On the importance of initialization and momentum in deep learning
[8]Alec Radford(图)
[9]An overview of gradient descent optimization algorithms
[10]Gradient Descent Only Converges to Minimizers