深度学习之l2正则,weight decay,momentum,batchsize,lr超参数之间的关系

参考

l2正则

L2正则化的目的就是为了让权重衰减到更小的值，在一定程度上减少模型过拟合的问题。

权重衰减（weight decay）

weight decay（权值衰减）的使用既不是为了提高收敛精确度也不是为了提高收敛速度，其最终目的是防止过拟合。在损失函数中，weight decay是放在正则项（regularization）前面的一个系数，正则项一般指示模型的复杂度，所以weight decay的作用是调节模型复杂度对损失函数的影响，若weight decay很大，则复杂的模型损失函数的值也就大。

L2正则化就是在代价函数后面再加上一个正则化项：

$C=C_0+\frac{\lambda }{2n}{\sum }_w{w}^2$

其中 $C_0$ 代表原始的代价函数，后面那一项是 l2 正则化项：所有参数 w 的平方和，除以训练集的样本大小 n ， λ 就是正则项系数，权衡正则项与 $C_0$ 项的比重，另外还有一个系数1/2，主要是为了后面求导的结果方便，系数 λ 就是权重衰减系数。

为什么可以对权重进行衰减？
我们对加入正则化的代价函数进行求导:

$\frac{\partial C}{\partial w}=\frac{\partial C_0}{\partial w}+\frac{\lambda }{n}$

$\frac{\partial C}{\partial b}=\frac{\partial C_0}{\partial b}$

可以发现L2正则化项对b的更新没有影响，但是对于w的更新有影响：

$w\to w-\eta \frac{\partial C_0}{\partial w}-\frac{\eta \lambda }{n}w=(1-\frac{\eta \lambda }{n})w-\eta \frac{\partial C_0}{\partial w}$

在不使用L2正则化时，求导结果中w前系数为1，现在w前面系数为$(1-\frac{\eta \lambda }{n})$,并且该项小于1，它的效果是减小w，这也是权重衰减的由来。考虑到后面的导数项，w最终的值可能增大也可能减小。

更复杂的数据集需要较少的正则化，因此设置为较小的权重衰减值
浅层结构需要更多的正则化，因此设置更大的权重衰减值

权重衰减（L2正则化）的作用

作用：避免模型过拟合
思考：L2正则化有让w变小的效果，但是为什么w变小可以防止过拟合呢？
原理：

• 从模型复杂度上解释：更小的权值w，从某种意义上来说，表示网络的复杂度更低，对数据的拟合更好（奥卡姆剃刀）。
• 从数学方面解释：过拟合的时候，拟合函数的系数往往非常大，为什么？过拟合就是拟合函数需要顾及每一个点，最终形成的拟合函数波动很大。在某些很小的区间里，函数值的变化很剧烈，这就意味着函数在某些小区间里的导数值（绝对值）非常大，由于自变量值可大可小，所以只有系数足够大，才能保证导数值很大，而正则化是通过约束参数的范数使其不要太大，所以在一定程度上可以减少过拟合情况。

Momentum

动量来源于牛顿定律，基本思想是为了找到最优加入“惯性”的影响，当误差曲面中存在平坦区域，SGD就可以更快的学习。
对于一般的SGD，其表达式为：
$x\to x-\alpha \times dx$
x沿负梯度方向下降，而带momentum的SGD则写成如下形式：

$v=\beta \times v+\alpha \times dx$

$x\to x-v$

其中β为momentum系数，如果上次的momentum（即v）与这一次的负梯度方向相同，那么这次下降的幅度就会加大，所以这样能够达到加速收敛的过程。

optimizer = optim.SGD(net.parameters(), lr=learning_rate, momentum=0.78)

momentum取值越大则考虑之前的更新方向的程度就越大，取值为0时即相当于没有惯性。

学习率衰减（learning rate decay）

在训练模型的时候，通常会遇到这种情况：我们平衡模型的训练速度和损失（loss）后选择了相对合适的学习率（learning rate），但是训练集的损失下降到一定的程度后就不在下降了，比如training loss一直在0.7和0.9之间来回震荡，不能进一步下降。
遇到这种情况通常可以通过适当降低学习率（learning rate）来实现。但是，降低学习率又会延长训练所需的时间。
学习率衰减（learning rate decay）就是一种可以平衡这两者之间矛盾的解决方案。学习率衰减的基本思想是：学习率随着训练的进行逐渐衰减。
学习率衰减基本有两种实现方法：

• 线性衰减。例如：每过5个epochs学习率减半。
• 指数衰减。例如：随着迭代轮数的增加学习率自动发生衰减，每过5个epochs将学习率乘以0.9998。具体算法如下：
  decayed_learning_rate=learning_rate*decay_rate^(global_step/decay_steps)
  其中decayed_learning_rate为每一轮优化时使用的学习率，learning_rate为事先设定的初始学习率，decay_rate为衰减系数，decay_steps为衰减速度。

批量大小（Batch size）

与学习率不同，其值不影响计算训练时间。批量大小受硬件内存的限制，而学习率则不然。建议使用适合硬件内存的较大批量大小，并使用更大的学习速率。 如果服务器有多个GPU，则总批量大小是单个GPU上的批量大小乘以GPU的数量。

关于增大batch size对于梯度估计准确度的影响，分析如下：

假设batch size为m，对于一个minibatch，loss为：

梯度

整个minibatch的梯度方差为：

由于每个样本（$x_i$, $y_i$）是随机从训练样本集sample得到的，满足i.i.d.假设，因此样本梯度的方差相等，为

等价于SGD的梯度方差，可以看到batch size增大m倍，相当于将梯度的方差减少m倍，因此梯度更加准确。

如果要保持方差和原来SGD一样，相当于给定了这么大的方差带宽容量，那么就可以增大lr，充分利用这个方差容量，在上式中添加lr，同时利用方差的变化公式，得到等式

因此可将lr增加sqrt(m)倍，以提高训练速度，这也是在linear scaling rule之前很多人常用的增大lr的方式。

在分布式训练中，batch size 随着数据并行的worker增加而增大，假设baseline的batch size为B，learning rate为lr，训练epoch数为N。如果保持baseline的learning rate，一般不会有较好的收敛速度和精度。原因如下：对于收敛速度，假设k个worker，每次过的sample数量为kB，因此一个epoch下的更新次数为baseline的1/k，而每次更新的lr不变，所以要达到baseline相同的更新次数，则需要增加epoch数量，最大需要增加k*N个epoch，因此收敛加速倍数会远远低于k。对于收敛精度，由于增大了batch size使梯度估计相较于badeline的梯度更加准确，噪音减少，更容易收敛到附近的local minima，类似于GD的效果。

为了解决这个问题，一个方法就是增大lr，因为batch变大梯度估计更准，理应比baseline的梯度更确信一些，所以增大lr，利用更准确的梯度多走一点，提高收敛速度。同时增大lr，让每次走的幅度尽量大一些，如果遇到了sharp local minima，还有可能逃出收敛到更好的地方。