神经网络的工程基础（三）——更优化的最优化算法

相关说明

这篇文章的大部分内容参考自我的新书《解构大语言模型：从线性回归到通用人工智能》，欢迎有兴趣的读者多多支持。

本文将讨论更优化的最优化问题算法。

关于大语言模型的内容，推荐参考这个专栏。

一、概述

回顾一下随机梯度下降法的设计思路。虽然这个方法放弃了严格的数学严谨性，只采用小批量数据的平均梯度来近似数学上严格定义的梯度，但在实际应用中取得了显著的效果。在学术界，这种算法被称为标准随机梯度下降法（Vanilla SGD）。事实上，我们可以延续这一思路，在标准随机梯度下降法的基础上对梯度进行更深入的处理，以进一步提升算法的性能，如图1所示。

图1

二、算法细节

图1展示了3种不同的梯度深加工的思路，分别是直接使用、动量因素和梯度“归一化”。

1. 直接使用：它代表了标准随机梯度下降法的基本形式，即直接使用小批量数据的平均梯度来更新模型参数。
2. 动量因素：在物理世界中，动量是指物体在运动方向上保持运动的趋势。类比到优化中，动量随机梯度下降法引入了动量项，允许模型参数在更新时累积之前的梯度信息（具体的公式如图2所示）。这种方法有助于跳出局部最小值，加速收敛到全局最小值，代表性算法包括Momentum SGD和Nesterov Momentum。
3. 梯度“归一化”：之前的方法都是全局地使用相同的学习速率，这可能导致不同参数的收敛速度不一致。为了解决这个问题，可以在算法中直接对梯度做类似归一化的处理，从而更好地平衡各个参数的更新效率。这类算法的代表有Adagrad和RMSprop。

图2

将动量因素和梯度归一化这两种优化思路相结合，就得到了一种强大的优化算法——Adam（Adaptive Moment Estimation）。Adam优化算法在实际应用中十分常见，尤其在深度学习领域广泛应用。它的独特之处在于综合了动量因素和梯度归一化的思想，以及自适应地调整学习速率和动量参数，从而在模型训练过程中更高效地更新模型参数。然而，该算法的细节相当烦琐，在此不深入讨论。