神经网络中的优化方法
- 前言
- 梯度下降法
- 方法介绍
- 方法优缺点
- 优点
- 缺点
- 动量法
- 方法介绍
- 优缺点
- 优点
- 缺点
- Adagrad
- 方法介绍
- 优缺点
- 优点
- 缺点
- RMSProp
- Adam
- 方法介绍
- 优缺点
- 优点
- 缺点
- AdamW
- 总结
前言
在之前的文章中介绍了神经网络中的损失函数。有了损失函数之后，就要求损失函数的最小值，并且需要求出参数（这个参数可能是神经网络中的 W W W或 b b b）在取什么值时，损失函数才能取到最小值。那么这个就是优化方法做的事情。这篇文章就来介绍一下神经网络中的优化方法。
梯度下降法
方法介绍
梯度下降法是一个非常简单的优化方法，也是后面要介绍的其它优化方法的基础。梯度下降法奠定了后来优化方法的基础，可以说，后面的大多数优化方法本质上都是在梯度下降法上进行修改得到的。
假设 g g g是我们求得的梯度（可能是一维的，也可能是高维的，取决于参数个数）， η \eta η是我们人为设置的学习率（是一个超参数）， θ \theta θ是我们需要更新的参数（不一定是一个参数，可能是多个参数组成的向量）。
梯度下降法的公式为 θ = θ − η ⋅ g \theta=\theta-\eta\cdot g θ=θ−η⋅g
这个公式其实也很好理解，就是一个不断迭代的过程，不断往梯度下降的方向走，直到走到梯度为0的点，也就是最小值点。
方法优缺点
优点
算法简洁，在学习率取值恰当时，可以收敛到全局最优点（凸函数）或局部最优点（非凸函数）。
缺点
对超参数比较敏感，过小导致收敛速度过慢，过大又会越过极值点。
学习率除了敏感，有时还会因其在迭代过程中保持不变，很容易造成算法卡在鞍点的位置。
在较平坦的区域，由于梯度接近于0，优化算法会因误判，在还未到达极值点时，就提前结束迭代，陷入局部最小值。
动量法
方法介绍
动量法又称Momentum。
公式为 { v = α v + ( 1 − α ) g θ = θ − η ⋅ v \begin{cases} v=\alpha v+(1-\alpha)g\\ \theta=\theta-\eta\cdot v \end{cases} {v=αv+(1−α)gθ=θ−η⋅v
其中 α \alpha α表示动量参数， v v v表示累计梯度。跟梯度下降法相比，这里用 v v v代替了 g g g。 g g g仅仅表示当前这一点处的梯度，而 v v v表示了之前所有梯度的加权平均，而且迭代次数越靠后，其权重越高。这里的 v v v也可以看成动量，与经典物理学中的动量是一致的，就像从山上投出一个球，在下落过程中收集动量，小球的速度不断增加。
优缺点
优点
能帮助参数在正确的方向上加速前进，从而加速收敛。
由于动量具有惯性，所以可以跳出局部最小值。
更具有鲁棒性，使我们的训练过程更加稳定。
缺点
动量法的效果受动量因子和学习率等参数的影响较大。这些参数的选择需要一定的经验和调试，不当的参数设置可能导致算法性能下降。
Adagrad
方法介绍
Adagrad优化算法被称为自适应学习率优化算法。核心思想是为每个参数维护一个独立的学习率，并根据历史梯度信息动态调整学习率。跟其它方法的主要区别在于学习率并不是一个人为设置的定值，而是可以根据实际情况自动实时调整的。
公式为 { r = r + g 2 θ = θ − η r + δ ⋅ g \begin{cases} r=r+g^2\\ \theta=\theta-\frac{\eta}{\sqrt{r+\delta}}\cdot g \end{cases} {r=r+g2θ=θ−r+δη⋅g
其中 δ \delta δ为小参数，避免分母为0，一般取值为 1 0 − 10 10^{-10} 10−10。
Adagrad的核心想法就是，如果一个参数的梯度一直都非常大，那么其对应的学习率就小一点，防止震荡；而一个参数的梯度一直都非常小，那么这个参数的学习率就大一点，使得其能够更快地更新。这就是Adagrad算法加快深层神经网络训练速度的核心。
优缺点
优点
自适应学习率使得不需要手动调整学习率。
更适合处理稀疏数据。由于稀疏特征在数据集中出现频率低，其梯度值往往较小。在Adagrad算法中，这些特征对应的学习率不会因为梯度小而迅速减小，反而能够保持相对较大的学习率，从而得到更多的更新机会。这对于模型捕捉稀疏特征的信息非常有利。
缺点
学习率 η \eta η总是在降低和衰减，使得后期学习率太低导致模型完全停止学习。
RMSProp
RMSProp的全称是Root Mean Square Propagation，均方根传播。该方法在Adagrad的基础上，进一步在学习率的方向上优化。
公式为 { r = λ r + ( 1 − λ ) g 2 θ = θ − η r + δ ⋅ g \begin{cases} r=\lambda r+(1-\lambda )g^2\\ \theta=\theta-\frac{\eta}{\sqrt{r+\delta}}\cdot g \end{cases} {r=λr+(1−λ)g2θ=θ−r+δη⋅g
其中， λ \lambda λ为衰减系数， r r r为累计平方梯度。
衰减系数的引入克服了Adagrad方法中， r r r一直增大的缺点。
Adam
方法介绍
Adam算法即自适应时刻估计方法（Adaptive Moment Estimation）。Adam继承了上面方法的优点，同时又规避了很多缺点，是目前神经网络中使用最广泛的优化方法。
公式为 { v = β 1 v + ( 1 − β 1 ) g r = β 2 r + ( 1 − β 2 ) g 2 v ^ = v 1 − β 1 t r ^ = r 1 − β 2 t θ = θ − η r ^ + δ ⋅ v ^ \begin{cases} v=\beta_1 v+(1-\beta_1)g\\ r=\beta_2 r+(1-\beta_2 )g^2\\ \widehat{v}=\frac{v}{1-\beta_1^t}\\ \widehat{r}=\frac{r}{1-\beta_2^t}\\ \theta=\theta-\frac{\eta}{\sqrt{\widehat{r}+\delta}}\cdot \widehat{v} \end{cases} ⎩ ⎨ ⎧v=β1v+(1−β1)gr=β2r+(1−β2)g2v =1−β1tvr =1−β2trθ=θ−r +δη⋅v
可以在这里面看到许多其它方法的影子。第一行公式来源于动量法，第二行公式来源于RMSProp，第五行公式来源于梯度下降法。
第三行和第四行公式是修正公式，在这里进行一个简单的说明。这里的 t t t代表迭代次数。由于一开始设置的 v v v和 r r r都是0，所以在开始的时候， v v v和 r r r为了能更好地代表加权平均值，使得系数和为1，就需要做一个这样的处理。当迭代轮数增大时，这两个公式的分母趋近于1，就可以忽略不计了。
优缺点
优点
在实际应用中，Adam方法效果良好。与其他自适应学习率算法相比，其收敛速度更快，学习效果更为有效，而且可以纠正其他优化技术中存在的问题，如学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大等问题。
缺点
虽然避免了手动调整学习率，但是又引入了动量参数 β 1 \beta_1 β1和衰减参数 β 2 \beta_2 β2两个超参数。我们一般设置 β 1 = 0.9 , β 2 = 0.999 \beta_1=0.9,\beta_2=0.999 β1=0.9,β2=0.999，但在有些情况下，这可能不是最好的选择。
AdamW
AdamW就是在Adam的基础上加上了权重衰减（Weight Decay）。
公式为 { v = β 1 v + ( 1 − β 1 ) g r = β 2 r + ( 1 − β 2 ) g 2 v ^ = v 1 − β 1 t r ^ = r 1 − β 2 t θ = θ − η r ^ + δ ⋅ v ^ − r λ θ \begin{cases} v=\beta_1 v+(1-\beta_1)g\\ r=\beta_2 r+(1-\beta_2 )g^2\\ \widehat{v}=\frac{v}{1-\beta_1^t}\\ \widehat{r}=\frac{r}{1-\beta_2^t}\\ \theta=\theta-\frac{\eta}{\sqrt{\widehat{r}+\delta}}\cdot \widehat{v}-r\lambda\theta \end{cases} ⎩ ⎨ ⎧v=β1v+(1−β1)gr=β2r+(1−β2)g2v =1−β1tvr =1−β2trθ=θ−r +δη⋅v −rλθ
该方法引入了超参数 λ \lambda λ。权重衰减的思想是每次更新参数后都对参数减去一个很小的值，防止参数过大，提高模型的泛化性。大名鼎鼎的BERT模型使用的优化方法就是AdamW。
总结
以上几种方法之间其实有一定的继承性，其关系由下图体现。
