优化方法总结(BGD,SGD,Momentum,AdaGrad,RMSProp,Adam)

本文介绍常见的一阶数值优化算法，这些方法在现代神经网络框架(tensorflow, caffe, torch)中已经是标准配置。

问题

设系统参数为 ω 。对于样本 i ，其代价函数为 Qi(ω) 。在n个样本组成的训练集上，其整体代价函数为： 

Q(ω)=∑i=1nQi(ω)

要求 ω 使得上式最小，由于没有闭式解，需要通过近似迭代逐步逼近。

基础一阶优化

GD

GD(Gradient Descent)以 η 为学习率，在每次迭代中用一阶泰勒展开近似： 

ωt+1=ωt?η?Q(ω)

将求和与梯度互换。GD方法的增量来源于对所有样本同时求梯度之和： 

ωt+1=ωt?η∑i=1n?Qi(ω)

设 ω 的维度为D，代价函数 Q 是个标量，减号后的梯度也是一个D维向量。

SGD

SGD(Stochastic Gradient Descent)在每次迭代中，顺次使用每个样本的梯度，更新参数：

for i=1 to n 

ωt+1=ωt?η?Qi(ω)

一种折衷的方法是，把m个样本组成一个mini-batch，使用mini-batch的总梯度更新参数：

for i=1 to n/m 

ωt+1=ωt?η∑j=1m?Qij(ω)

其中 Qij(ω) 为第i个minibatch中第j个样本的代价。

为书写简便，以下说明中不再出现样本序号i。 ?Q(ω) 可以指一个样本、一个mini-batch或者全部样本的梯度只和。

更快的一阶优化

这些方法都以GD为基础，但收敛速度更快，换句话说 ?t 更小。 
关于收敛速度的意义，请参看这篇博客。

ASGD

ASGD(Average Stochastic Gradient Descent)选择一个迭代的时间点(代数) t0 ，在这个时间点之前，和SGD一样： 

ωˉt=ωt

在这个时间点之后，使用 t0 到当前时刻 t 的平均值： 

ωˉt=1t?t0+1∑τ=t0tωτ

AdaGrad

AdaGrad1(Adaptive Gradient)方法对参数的每一维进行归一化，使用的分母是之前步骤中该维度的平方和： 

ωdt+1=ωdt?η1∑t?1τ=1[?Q(ωt)d]2??????????????√?Q(ωt)

相当于 为每一维参数设定了不同的学习率 ：压制常常变化的参数，突出稀缺的更新。能够更有效地利用少量有意义样本。

AdaDelta

AdaDelta2(Adaptive Delta)和AdaGrad一样为每一维参数设定不同学习率，但是不用再设定基础学习率 η 。

首先维护一个期望D，描述之前迭代中的参数变化情况，同样是个D维向量： 

Dt=γDt?1+(1?γ)Δω2t

另一个期望G，描述之前迭代中的梯度的平方： 

Gt=γGt?1+(1?γ)?Q(ω)2t

使用D和G的比值作为权重，分别归一化每一维参数： 

ωdt+1=ωdt?DdtGdt+1?Q(ω)

减号后的归一化参数决定了：单位梯度变化对应多少参数变化。

Adam

Adam3(Adaptive Moment Estimation)的思路和AdaGrad相似，都使用梯度平方根归一化学习率。

注意：为书写简便，后续的矩阵相乘相除都逐元素进行，更新也对参数每一维单独进行。

维护一个一阶momentum，等价于梯度： 

mt=α?mt?1+(1?α)??Q(ω)

另一个二阶momentum，等价于梯度平方： 

vt=β?vt?1+(1?β)??Q(ω)2

由于 m,v 都初始化为0，使用t次幂让其在头几次迭代中更大一些： 

m^t=mt1?αt,v^t=vt1?βt

使用梯度平方 v 归一化学习率，更新幅度为梯度 m : 

ωt+1=ωt?η1v^t???√m^t

Rprop

RProp4(Resilient Propagation)比较本次梯度 ?Q(ω)dt+1 和上次梯度 ?Q(ω)dt 符号变化来为参数d的变化加权。

如果两次梯度符号相反，则抑制参数变化( η?<1 )： 

ωdt+1=ωdt?η???Q(ω)

如果两次符号相同，则增强参数变化( η+>1 )： 

ωdt+1=ωdt?η+??Q(ω)

RMSprop

RMSprop5(Root Mean Square Propagation)类似于简化版的AdaDelta，但是是独立发展而来的。

维护期望G，描述之前迭代中的梯度的平方： 

Gt=γGt?1+(1?γ)?Q(ω)2t

用G修正学习率： 

ωdt+1=ωdt?ηGdt+1?Q(ω)

NAG

NAG6(Nesterov’s Accelerated Gradient)，发明者是毛国数学家Yurii Nesterov。

参数变化由 γ 控制： 

mt=γ?mt?1+η??Q(ω?γ?mt?1)

导数的计算点不再是当前参数 ω ，而是从当前参数根据前次变化前进一小步。

用 mt 更新参数： 

ωt+1=ωt?mt

总结

提速可以归纳为以下几个方面： 
- 使用momentum来保持前进方向(velocity)； 
- 为每一维参数设定不同的学习率：在梯度连续性强的方向上加速前进； 
- 用历史迭代的平均值归一化学习率：突出稀有的梯度；

辨：其他优化方法

共轭梯度法(Conjugate Gradient)也是一阶方法，针对特殊形式的代价函数： 

Q(ω)=12ωTAω?ωTb

常见的各种牛顿法, L-BFGS核心都是二阶优化方法，利用了代价函数的Hessian矩阵： 

xt+1=xt?η?H[Q(ω)]?1?Q(ω)

换句话说，牛顿法用线性函数拟合代价函数的导数，而不是代价函数本身。

具体的一阶优化方法：

BGD

即batch gradient descent. 在训练中,每一步迭代都使用训练集的所有内容. 也就是说,利用现有参数对训练集中的每一个输入生成一个估计输出 yi^ ,然后跟实际输出 yi 比较,统计所有误差,求平均以后得到平均误差,以此来作为更新参数的依据.

具体实现: 
需要:学习速率  ϵ , 初始参数  θ  
每步迭代过程: 
1. 提取训练集中的所有内容 {x1,…,xn} ,以及相关的输出 yi  
2. 计算梯度和误差并更新参数: 

g^←+1n∇θ∑iL(f(xi;θ),yi)θ←θ−ϵg^

优点: 
由于每一步都利用了训练集中的所有数据,因此当损失函数达到最小值以后,能够保证此时计算出的梯度为0,换句话说,就是能够收敛.因此,使用BGD时不需要逐渐减小学习速率 ϵk

缺点: 
由于每一步都要使用所有数据,因此随着数据集的增大,运行速度会越来越慢.

---

SGD

SGD全名 stochastic gradient descent， 即随机梯度下降。不过这里的SGD其实跟MBGD(minibatch gradient descent)是一个意思,即随机抽取一批样本,以此为根据来更新参数.

具体实现: 
需要:学习速率  ϵ , 初始参数  θ  
每步迭代过程: 
1. 从训练集中的随机抽取一批容量为m的样本 {x1,…,xm} ,以及相关的输出 yi  
2. 计算梯度和误差并更新参数: 

g^←+1m∇θ∑iL(f(xi;θ),yi)θ←θ−ϵg^

优点: 
训练速度快,对于很大的数据集,也能够以较快的速度收敛.

缺点: 
由于是抽取,因此不可避免的,得到的梯度肯定有误差.因此学习速率需要逐渐减小.否则模型无法收敛 
因为误差,所以每一次迭代的梯度受抽样的影响比较大,也就是说梯度含有比较大的噪声,不能很好的反映真实梯度.

学习速率该如何调整: 
那么这样一来, ϵ 如何衰减就成了问题.如果要保证SGD收敛,应该满足如下两个要求: 

∑k=1∞ϵk=∞∑k=1∞ϵ2k<∞

而在实际操作中,一般是进行线性衰减: 

ϵk=(1−α)ϵ0+αϵτα=kτ

其中 ϵ0 是初始学习率,  ϵτ 是最后一次迭代的学习率.  τ 自然代表迭代次数.一般来说, ϵτ  设为 ϵ0 的1%比较合适.而 τ 一般设为让训练集中的每个数据都输入模型上百次比较合适 .那么初始学习率 ϵ0 怎么设置呢?书上说,你 先用固定的学习速率迭代100次,找出效果最好的学习速率,然后 ϵ0 设为比它大一点就可以了.

---

Momentum

上面的SGD有个问题,就是每次迭代计算的梯度含有比较大的噪音. 而Momentum方法可以比较好的缓解这个问题,尤其是在面对小而连续的梯度但是含有很多噪声的时候,可以很好的加速学习.Momentum借用了物理中的动量概念,即前几次的梯度也会参与运算.为了表示动量,引入了一个新的变量v(velocity).v是之前的梯度的累加,但是每回合都有一定的衰减.

具体实现: 
需要:学习速率  ϵ , 初始参数  θ , 初始速率v, 动量衰减参数 α  
每步迭代过程: 
1. 从训练集中的随机抽取一批容量为m的样本 {x1,…,xm} ,以及相关的输出 yi  
2. 计算梯度和误差,并更新速度v和参数 θ : 

g^←+1m∇θ∑iL(f(xi;θ),yi)v←αv−ϵg^θ←θ+v

其中参数 α 表示每回合速率v的衰减程度.同时也可以推断得到,如果每次迭代得到的梯度都是g,那么最后得到的v的稳定值为 

ϵ∥g∥1−α

也就是说,Momentum最好情况下能够将学习速率加速 11−α 倍.一般 α 的取值有0.5,0.9,0.99这几种.当然,也可以让 α 的值随着时间而变化,一开始小点,后来再加大.不过这样一来,又会引进新的参数.

特点: 
前后梯度方向一致时,能够加速学习 
前后梯度方向不一致时,能够抑制震荡

---

Nesterov Momentum

这是对之前的Momentum的一种改进,大概思路就是,先对参数进行估计,然后使用估计后的参数来计算误差

具体实现: 
需要:学习速率  ϵ , 初始参数  θ , 初始速率v, 动量衰减参数 α  
每步迭代过程: 
1. 从训练集中的随机抽取一批容量为m的样本 {x1,…,xm} ,以及相关的输出 yi  
2. 计算梯度和误差,并更新速度v和参数 θ : 

g^←+1m∇θ∑iL(f(xi;θ+αv),yi)v←αv−ϵg^θ←θ+v

注意在估算 g^ 的时候,参数变成了 θ+αv 而不是之前的 θ

---

AdaGrad

AdaGrad可以自动变更学习速率,只是需要设定一个全局的学习速率 ϵ ,但是这并非是实际学习速率,实际的速率是与以往参数的模之和的开方成反比的.也许说起来有点绕口,不过用公式来表示就直白的多: 

ϵn=ϵδ+∑n−1i=1gi⊙gi−−−−−−−−−−√

其中 δ 是一个很小的常亮,大概在 10−7 ,防止出现除以0的情况.

具体实现: 
需要:全局学习速率  ϵ , 初始参数  θ , 数值稳定量 δ  
中间变量: 梯度累计量r(初始化为0) 
每步迭代过程: 
1. 从训练集中的随机抽取一批容量为m的样本 {x1,…,xm} ,以及相关的输出 yi  
2. 计算梯度和误差,更新r,再根据r和梯度计算参数更新量 

g^←+1m∇θ∑iL(f(xi;θ),yi)r←r+g^⊙g^△θ=−ϵδ+r√⊙g^θ←θ+△θ

优点: 
能够实现学习率的自动更改。如果这次梯度大,那么学习速率衰减的就快一些;如果这次梯度小,那么学习速率衰减的就满一些。

缺点: 
任然要设置一个变量 ϵ  
经验表明，在普通算法中也许效果不错，但在深度学习中，深度过深时会造成训练提前结束。

---

RMSProp

RMSProp通过引入一个衰减系数，让r每回合都衰减一定比例，类似于Momentum中的做法。

具体实现: 
需要:全局学习速率  ϵ , 初始参数  θ , 数值稳定量 δ ，衰减速率 ρ  
中间变量: 梯度累计量r(初始化为0) 
每步迭代过程: 
1. 从训练集中的随机抽取一批容量为m的样本 {x1,…,xm} ,以及相关的输出 yi  
2. 计算梯度和误差,更新r,再根据r和梯度计算参数更新量 

g^←+1m∇θ∑iL(f(xi;θ),yi)r←ρr+(1−ρ)g^⊙g^△θ=−ϵδ+r√⊙g^θ←θ+△θ

优点： 
相比于AdaGrad,这种方法很好的解决了深度学习中过早结束的问题 
适合处理非平稳目标，对于RNN效果很好

缺点： 
又引入了新的超参，衰减系数 ρ  
依然依赖于全局学习速率

---

RMSProp with Nesterov Momentum

当然，也有将RMSProp和Nesterov Momentum结合起来的

具体实现: 
需要:全局学习速率  ϵ , 初始参数  θ , 初始速率v，动量衰减系数 α , 梯度累计量衰减速率 ρ  
中间变量: 梯度累计量r(初始化为0) 
每步迭代过程: 
1. 从训练集中的随机抽取一批容量为m的样本 {x1,…,xm} ,以及相关的输出 yi  
2. 计算梯度和误差,更新r,再根据r和梯度计算参数更新量 

θ~←θ+αvg^←+1m∇θ~∑iL(f(xi;θ~),yi)r←ρr+(1−ρ)g^⊙g^v←αv−ϵr√⊙g^θ←θ+v

---

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。

具体实现: 
需要:步进值  ϵ , 初始参数  θ , 数值稳定量 δ ，一阶动量衰减系数 ρ1 , 二阶动量衰减系数 ρ2  
其中几个取值一般为： δ=10−8,ρ1=0.9,ρ2=0.999  
中间变量：一阶动量s，二阶动量r,都初始化为0 
每步迭代过程: 
1. 从训练集中的随机抽取一批容量为m的样本 {x1,…,xm} ,以及相关的输出 yi  
2. 计算梯度和误差,更新r和s,再根据r和s以及梯度计算参数更新量 

g←+1m∇θ∑iL(f(xi;θ),yi)s←ρ1s+(1−ρ1)gr←ρ2r+(1−ρ2)g⊙gs^←s1−ρ1r^←r1−ρ2△θ=−ϵs^r^√+δθ←θ+△