转载
https://blog.csdn.net/Muzi_Water/article/details/81453491
学习率 | 方法 | 缺点 | 优点 | 经验 |
手动设置学习率 | SGD(mini-batch gradient descent) | 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 | 初始化和学习率设置比较合适的情况下,结果更可靠 | 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 |
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 | ||||
Momentum | 依赖于人工设置一个全局学习率 | 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μ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,gradient—>0,μ使得更新幅度增大,跳出陷阱 | ||||
在梯度改变方向的时候,μ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 | 依赖于人工设置一个全局学习率 | 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。 | ||
自适应学习率 | Adagrad(对学习率进行约束,累加之前所有的梯度平方) ( lr = 0.01, epsilon = None, decay = 0 ) | 仍依赖于人工设置一个全局学习率 | 前期gt较小的时候, regularizer较大,能够放大梯度 | 1.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。 2.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。 3.Adadelta,RMSprop,Adam是比较相近的算法,在相似的情况下表现差不多。 |
η设置过大的话,会使regularizer过于敏感,对梯度的调节太大 | 后期gt较大的时候,regularizer较小,能够约束梯度 | |||
中后期,分母上梯度平方的累加将会越来越大,使gradient—>0,使得训练提前结束 | 适合处理稀疏梯度 | |||
Adadelta(对学习率进行约束,只累加固定大小的项) ( lr = 1.0, rho = 0.95, epsilon = None, decay = 0 ) | Adadelta,RMSprop,Adam表现相似 | 不用依赖于全局学习率 | ||
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(Adadelta的一个特例) | 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(带有动量项的RMSprop) ( lr = 0.001, beta_1 = 0.9, beta_2 = 0.999, epsilon = None, decay = 0 , amsgrad = False) | Adadelta,RMSprop,Adam表现相似 | 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 | ||
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 ( lr = 0.002, beta_1 = 0.9, beta_2 = 0.999, epsilon = None, decay = 0 ) | 对学习率的上限提供了一个更简单的范围 | |||
Nadam | 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。 | |||
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。 |