SGD方法的好处和失效的场景，以及解决办法

SGD方法的好处和失效的场景，以及解决办法

SGD方法的好处是，不必计算所有样本的梯度，
这样做的效果是快，快在两方面，一方面计算快，一方面是收敛快，
计算快好理解，只计算了一个样本的梯度，
收敛快是指，如果不是特别差的损失函数，（这里差是指难优化的意思），
假设数据量100w,那么全局梯度下降更新一次梯度的计算时间，sgd已经更新了100w次，所以到达收敛状态所需的时间更短了。

失效的场景：
因为SGD在每一步放弃了对梯度准确性的追求，每步仅仅随机采样少量样本来计算梯度，计算速度快，内存开销小，但是由于每步接受的信息量有限，对梯度的估计出现偏差也在所难免，造成目标函数曲线收敛轨迹显得很不稳定，伴有剧烈波动，甚至有时出现不收敛的情况。图1展示了GD与SGD在优化过程中的参数轨迹，可以看到GD稳定地逼近最低点，而SGD曲曲折折简直是“黄河十八弯”。

对SGD来说，可怕的不是局部最优点，而是两类地形——山谷和鞍点。
山谷指的是狭长的山间小道，左右两边是峭壁；
鞍点的形状像是一个马鞍，一个方向上两头翘，另一个方向上两头垂，而中心区域是一片近乎水平的平地。

在山谷的地形下，一般的SGD由于上面所说的缘故，会在小道两边的山壁上来回撞击，
（这时我们需要有惯性保持的能力，想有一股直接垂直下山的动力，从而减小左右来回撞这个方向上的动力）
在鞍点的地形下，SGD走入一片平坦之地（此时离最低点还很远），想象一下蒙着双眼只凭借脚底感觉坡度，如果坡度不明显那么很可能走错方向。SGD本来就对微小变化的梯度不敏感，所以在几近零的梯度区域，容易停滞下来，不再更新。
（这时我们需要有环境感知的能力 ，即使蒙上双眼，依靠前几次迈步的感觉，我们也应该能判断出一些信息，比如这个方向总是坑坑洼洼的，那个方向可能很平坦。这里如何获取前几步的感觉，数学上的形式就是考虑对最近的梯度综合利用，累加或者求平均，累加到一定程度，sgd就自然对周边边境有了更多的认识，容易找个一个正确的方向。SGD中，对环境的感知是指在参数空间中，对不同参数方向上的经验性判断，确定这个参数的自适应学习速率，即更新不同参数的步子大小应是不同的。）

所以，对sgd失效场景的分析，引出了梯度更新优化算法，都是基于惯性保持和环境感知这两个idea来的，

基本的sgd:
${\theta }_{t+1}={\theta }_t-\eta g_t$

Momentum:
$v_t=\gamma v_{t-1}+\eta g_t$
${\theta }_{t+1}={\theta }_t-v_t$
看成Momentum:中每次前进的步子是$-v_t$，前进步子$-v_t$由两部分组成：(1) 学习速率$\eta$和当前估计梯度$g_t$，(2) 衰减下的前一次步子$v_{t-1}$，系数$\gamma$控制衰减前一次的步子。
可类比物理学中，速度与加速度，当前步子就是当前时刻速度，上一步的步子就是上一时刻的速度，而当前梯度就好比当前时刻受力产生的加速度，所以当前速度不仅与加速度（$g_t$）有关而且与上一时刻的速度（$v_{t-1}$）有关，系数$\gamma$扮演来阻力的作用。
因此，与SGD相比，Momentum的收敛速度快，收敛曲线稳定。

AdaGrad:
名字中的Ada 注意体现在各维度的学习率不同，
历史上（累加的）梯度大的维度，学习率应该低一点，学慢一点（以免错误最佳点）
历史上（累加的）梯度小的维度，学习率应该大一点，学快一点（加快该维度上的收敛）
从而得到学习率应该与历史上（累加的）梯度成反比的想法，
数学形式是：
${\theta }_{t+1,i}={\theta }_{t,i}-\frac{\eta }{\sqrt{{\sum }_{k=0}^t{g}_{k,i}^2+ϵ}}{g}_{t,i}$
之所以用过往梯度平方和累加，而不是过往梯度平方和累加，主要考虑到，
退火的思想，即学习率只能是越来越小的单调减小的，而不可能变大，如果不加平方项，而采用${\theta }_{t+1,i}={\theta }_{t,i}-\frac{\eta }{{\sum }_{k=0}^t{g}_{k,i}+ϵ}{g}_{t,i}$这个式子，就会因为梯度有正有负，而不排除这个式子出现先小后大，后者先大后小的错误趋势。

Adam:
从名字一看就知道，Adam是个二合一的算法，结合AdaGrad的Ada和Momentum的m
机器学习中很多算法都是二合一或者三合一

Adam将惯性保持和环境感知两个有点都集于一身，一方面，Adam记录梯度的first moment一阶矩,即历史梯度和当前梯度的平均，这体现 来惯性保持，另一方面，Adam记录梯度的second moment二阶矩,即历史梯度平方和当前梯度平方的平均，这类似AdaGrad，体现了环境感知，提供二阶矩主要是为了为不同维度提供不同的学习率。
First moment和second moment求平均并不是直接累加，而是采用了类似滑动窗口内求平均的思想，把梯度分为，当前梯度和近一段时间内的梯度两类，并对两类梯度赋予不同权重，
$m_t={\beta }_1{m}_{t-1}+(1-{\beta }_1)g_t$
$v_t={\beta }_2{v}_{t-1}+(1-{\beta }_2)g_t^2$
$v_t$其实是区别各维度的
$v_{t,i}={\beta }_2{v}_{t-1,i}+(1-{\beta }_1)g_{t,i}^2$

其中β1, β2为衰减系数。

如何理解Adam记录梯度的first moment一阶矩和second moment二阶矩，
其实也挺好理解的，
First moment相当于估计$E[g_t]$，由于当下梯度$g_t$是随机采样估计的结果(我们只拿了一个当前样本)，比起$g_t$是我们更关心它在统计意义上的期望，也就是First moment一阶矩$E[g_t]$；
second moment相当于估计$E[g_t^2]$，这点与AdaGrad不同，这里不是从开始到现在的累计和而是它的期望。

它们的物理意义是：
当一阶矩$m_t$的绝对值大且二阶矩$v_t$大时，梯度大且稳定，表明遇到一个明显的大坡，前进方向明确；
当一阶矩$m_t$的绝对值趋向0且二阶矩$v_t$大时，梯度不稳定，可能遇到一个峡谷，容易引起反弹震荡；
当一阶矩$m_t$的绝对值大且二阶矩$v_t$趋向0时，这种情况不存在；
当一阶矩$m_t$的趋向0且二阶矩$v_t$趋向0时，梯度趋零，可能到达局部最低点，也可能走到一片坡度极缓的平地，此时要避免陷入plateau高原上。
Adam还考虑$m_t,v_t$在零初始值情况下的偏置矫正,所以加上了hat。Adam的更新公式为：
${\theta }_{t+1,i}={\theta }_{t,i}-\frac{\eta }{\sqrt{\widehat{v_{t,i}}+ϵ}}\widehat{m_{t,i}}$.

实际使用过程中，参数的经验值是

β1=0.9, β2=0.999

初始化：
$m_0=0$、$v_0=0$
这个时候我们看到，在初期，$m_t$，$v_t$都会接近于0，这个估计是有问题的。因此我们常常根据下式进行误差修正：

$\widehat{m_t}=\frac{m_t}{1-{\beta }_1^2}$
$\widehat{v_t}=\frac{v_t}{1-{\beta }_2^2}$
这样很容易记住sgd, momentum, adagrad, adam各自算法的初衷和公式。

https://zhuanlan.zhihu.com/p/32262540
Adam那么棒，为什么还对SGD念念不忘 (2)—— Adam的两宗罪
提到，1，AdaGrad: 学习率一定是下降的，而Adam 的学习率不一定是下降的，

2，错过最优解，后期Adam的学习率太低，影响了有效的收敛，所以后期改sgd

另外一篇是 Improving Generalization Performance by Switching from Adam to SGD，进行了实验验证。他们CIFAR-10数据集上进行测试，Adam的收敛速度比SGD要快，但最终收敛的结果并没有SGD好。他们进一步实验发现，主要是后期Adam的学习率太低，影响了有效的收敛。他们试着对Adam的学习率的下界进行控制，发现效果好了很多。

于是他们提出了一个用来改进Adam的方法：前期用Adam，享受Adam快速收敛的优势；后期切换到SGD，慢慢寻找最优解。这一方法以前也被研究者们用到，不过主要是根据经验来选择切换的时机和切换后的学习率。这篇文章把这一切换过程傻瓜化，给出了切换SGD的时机选择方法，以及学习率的计算方法，效果看起来也不错。