Deep Learning

Optimizers

optimizers 通用参数

• 待优化参数：, 目标函数：, 初始learning rate：

• 在每一个epoch t 中：

  1. 计算目标函数关于当前参数的梯度： [图片上传失败...(image-33816e-1552923429589)]

  2. 根据历史梯度计算一阶动量和二阶动量：[图片上传失败...(image-9748e9-1552923429589)]，

  3. 计算当前时刻的下降梯度： [图片上传失败...(image-8ac494-1552923429589)]

  4. 根据下降梯度进行更新： [图片上传失败...(image-1a5e0a-1552923429589)]

SGD

• 一阶动量：; 二阶动量：
• 下降梯度：

现在通用的SGD通常指代mini-batch SGD，其迭代次数为每个batch的个数。对于每次迭代，SGD对每个batch求样本的梯度均值然后进行梯度更新。

                    $$w_{t+1} = w_t - a \cdot \frac {1} {n} \sum \nabla f(w_t)$$

SGD-Momentum

• 一阶动量：
  • 一阶动量是哥哥时刻梯度方向的指数移动平均值，约等于最近个时刻的梯度向量和的平均值
• 主要由此前累积的下降方向所决定

AdaGrad

自适应学习率

• 二阶动量：：迄今为止所有梯度的平方和
• 梯度下降：

实质上，learning rate 由 变成了 随着迭代时候二阶动量越大，学习率越小

RMSProp

只关注过去一段时间的梯度变化而非全部变化，这里区别于AdaGrad。避免二阶动量持续累积，导致训练提前结束。

• 二阶动量：

Adam

adaptive + Momentum

结合了一阶动量和二阶动量

• 一阶动量：
• 二阶动量：

实际使用过程，参数默认：

Comparison

• Adam收敛问题
  • 由于RMSProp和Adam的二阶动量是固定时间窗口的累积，随着时间窗口变化，遇到的数据可能发生巨变，是的可能会时大时小，不是单调变化。这在后期的训练有可能导致模型无法收敛。
    • 修正方法：
• 错过全剧最优解问题
  • 自适应学习率算法可能会对前期的特征过拟合，后期才出现的特征难以纠正前期的拟合效果
    • 修正方法：充分shuffle数据集
  • 尽管收敛速度快，但是收敛的效果没有SGD好。主要因为后期的学习速率太低了，影响有效收敛。
    • 修正方法：对Adam的学习率下界做约束。
• 核心差异：下降方向
  • SGD下降方向就是该位置的梯度的反方向
  • 带一阶动量的SGD下降方向就是该位置一阶动量的方向
  • 自适应学习率算法每个参数设定了不同的学习率，在不同维度上设定不同的步长。因此其下降方向为scaled的一阶动量方向
• Adam + SGD组合策略
  • 继承了Adam的快速收敛和SGD的精度收敛
• 数据是稀疏的(分类问题)，可以优先考虑自适应学习率算法。回归问题SGD通常更好

Batch Normalization

优势：

1. 减少了人为选择参数。在某些情况下可以取消 dropout 和 L2 正则项参数,或者采取更小的 L2 正则项约束参数；
2. 减少了对学习率的要求。现在我们可以使用初始很大的学习率或者选择了较小的学习率，算法也能够快速训练收敛；
3. 可以不再使用局部响应归一化。BN 本身就是归一化网络(局部响应归一化在 AlexNet 网络中存在)
4. 破坏原来的数据分布，一定程度上缓解过拟合（防止每批训练中某一个样本经常被挑选到，文献说这个可以提高 1% 的精度）。
5. 减少梯度消失，加快收敛速度，提高训练精度。

算法流程：

下面给出 BN 算法在训练时的过程

输入：上一层输出结果 X=x1,x2,...,xm，学习参数 γ,β

1. 计算上一层输出数据的均值，其中，m 是此次训练样本 batch 的大小。

​

2. 计算上一层输出数据的标准差

​

3. 归一化处理，得到

​

其中 ϵ 是为了避免分母为 0 而加进去的接近于 0 的很小值

4. 重构，对经过上面归一化处理得到的数据进行重构，得到

​

其中，γ,β 为可学习参数。

注：上述是 BN 训练时的过程，但是当在投入使用时，往往只是输入一个样本，没有所谓的均值 μβ 和标准差 σ2β。此时，均值 μβ 是计算所有 batch μβ 值的平均值得到，标准差 σ2β 采用每个batch σ2β 的无偏估计得到。