4 深度学习中的优化算法
深度学习是目前非常火的一个研究领域,主要以研究神经网络为主,因为其复杂性,所以有很多问题需要处理,同时也衍生出了很多不同的优化算法,专门改善神经网络的训练,使得它能够在工业界使用。
因此,本章收录了关于神经网络训练的一些问题,以及相应的较为成熟的解决方案,供读者使用。
4.1 动量momentum
虽然小批量梯度下降法相比于梯度下降法有了一定的效率提升,但如果小批量中的样本也特别大的时候,一个批次的训练也会非常慢,所以人们就想,能不能在小批次样本上加快迭代的速度?
在物理学中,因为惯性,物体当前时刻的速度会受到前一时刻的速度影响,基于此,发现了momentum优化算法。简单的说,就是当前迭代点的下降方向不仅仅取决于当前的梯度,还受到前面所有迭代点的影响,就像小球在碗里滑动一样,它的滑动速度会越来越快,这样迭代就能快速地到达谷底了。
物理示意图如下,迭代的实际方向是以前所有的动量和当前梯度的组合:
g=∇w(1m∑imL(f(x(i);w),y(i))) g = ∇ w ( 1 m ∑ i