【深度学习】深度学习优化算法总结

在开玩笑的时候，我们自称研究深度学习的人为炼丹师。所谓炼丹，就是拿到同一种丹药的配方，可能炼出来的丹药的效果也是不一样的。深度学习也是如此，同一种模型，采取不同的优化策略，所得到的结果往往不同。在探究深度学习算法的优化策略过程中，人们大概经历过以下几个阶段：
SGD-> Momentum -> Nesterov -> Adagrad -> RMSProp -> Adam ->Nadam。

由于最近在准备实习面试中，特开一篇博客对上述几种优化算法进行回顾，也方便自己总结。

一、随机梯度下降（SGD）

SGD算法是一种非常经典的优化算法，其衍生于批梯度下降（BGD）算法。由于 BGD算法需要对整个训练集进行计算梯度，然后再进行更新梯度，其带来的开销是非常大的。因此 用一个mini-batch去更新梯度可以有效减少计算开销，加速收敛，还不容易陷入鞍点。

值得注意的是在真实采用SGD进行训练的时候，有必要随着时间进行逐渐降低学习率，这是因为SGD中在梯度估计引入的噪声源（由于只用了m个样本）并不会在极小点消失。

二、动量（Momentum）
从SGD上受到的启发，由于SGD只用了m个样本，容易在梯度估计的时候引入噪声，因此带来一个结果便是梯度更新的时候会在高曲率的方向震荡，这在一定程度上降低了收敛速度。因此momentum算法采用移动平均减缓梯度在高区率方向上的更新，从而加速整体的收敛。

这里稍微简单介绍一下动量的概念：当梯度更新进行震荡时，我们方向其方向是不停的变化的，动量便会像摩擦力一样试图保持原来的方向，从而降低震荡方向梯度的更新。
当梯度的更新都指向同一方向时，动量便会使得梯度更新的速度越来越快。

三、Nesterov动量
Nesterov动量 认为，竟然梯度方向是当年mini-batch样本更新的方向说了不算，那为什么不按照原来动量的方向去更新看看，然后在计算更新后的梯度，从而进行校正呢？

值得注意的是：在凸批量梯度的情况下，Nesterov 动量将额外误差收敛率从O(1/k)改进到O(1/k^2)，然而在随机梯度的情况下，Nesterov并没有改进收敛率。

四、AdaGrad
我们发现SGD需要我们设置对学习率进行衰减，从而降低随机样本带来的梯度噪声。而AdaGrad算法的提出独立适应所有模型参数的学习率，缩放每个参数反比于其所有历史平方值总和的平方根。这样带来的好处是，更新快的给他慢下来，更新慢的给他快上去。原因很简单，更新快的往往是震荡部分，更新慢的往往是趋优部分。也就从AdaGrad开始，优化算法开始趋向选择自适应学习速率。

Adagrad的缺点也很明显：对于训练深度神经网络模型而言：从训练开始时积累梯度平方会导致有效学习率过早和过量的减少。

五、RMSProp
由于AdaGrad根据平方梯度的整个历史收缩学习率，可能 RMSprop观测到Adagrad优化算法中的缺点，并也对此进行了改进。选择移动平均来对梯度的平方进行累积，可能使得学习率在达到这样的凸结构就变得太小了。RMSProp使用指数衰减平均以丢弃遥远过去的历史，使其能够在凸碗状结构后快速收敛。

六、Adam
Adam在RMSProp的基础又增加了梯度的动量，融合了一阶，二阶的动量得到的优化算法。

七、Nadam
这个算法就不多介绍了，就是前面算法的集大成者。在Adam的基础上了增加了Nesterov。

================================================================================

关于指数平均：

V <= beta * V + (1-beta) * theta
V可以近似看作为 1/(1-beta) 个数据的平均值， 如beta=0.1，则近似为10个数据的平均值

关于Adam里的偏差修正：
这是由于在初始的更新时，并没有 1/(1-beta) 的数据，举个例子来看：

原先应该是绿色的曲线，变成了紫色曲线。由图中可以看到，紫色曲线的起点较低，但随之数据增大，其实影响也不大。为了更好的修正，往往对指数平均进行如下偏差修正：

参考自：
http://mooc.study.163.com/learn/2001281003?tid=2001391036#/learn/content?type=detail&id=2001702122
https://zhuanlan.zhihu.com/p/32230623

其他的一些经验：

1。实际上我们看到自从RMSProp和Adam引入二阶动量后，对整个梯度更新速度加快了。然而很可能导致不收敛的状态。原因其实也很简单，因为AdaGrad 是累积二阶矩，随着训练的加深，二阶矩的累加会导致学习速率很降低。而Adam和RMSProp则容易出现不收敛的状态。
2。 由于Adam的收敛速度确实很快，所以一般初学者还是推荐使用Adam。对于一些进阶者，依旧推荐SGD的调参方式。要相信：精调的参数一定比自适应的要好。