深度学习中的优化算法（SGD->Adam）

最新推荐文章于 2025-05-19 09:02:18 发布

chimi4791

最新推荐文章于 2025-05-19 09:02:18 发布

阅读量207

点赞数

CC 4.0 BY-SA版权

原文链接：https://my.oschina.net/u/3993524/blog/3082049

本文深入探讨机器学习中优化算法的重要性，以生动比喻说明不同优化算法对模型训练的影响，如SGD、AdaGrad、AdaDelta及Adam等，并提及学术界对SGD的偏好及其改进版，如加入Momentum或Nesterov加速。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度学习中优化算法的总结

机器学习界有一群炼丹师，他们每天的日常是：
拿来药材（数据），架起八卦炉（模型），点着六味真火（优化算法），就摇着蒲扇等着丹药出炉了。
不过，当过厨子的都知道，同样的食材，同样的菜谱，但火候不一样了，这出来的口味可是千差万别。火小了夹生，火大了易糊，火不匀则半生半糊。
机器学习也是一样，模型优化算法的选择直接关系到最终模型的性能。有时候效果不好，未必是特征的问题或者模型设计的问题，很可能就是优化算法的问题。

说到优化算法，入门级必从 SGD 学起，老司机则会告诉你更好的还有 AdaGrad / AdaDelta，或者直接无脑用 Adam。可是看看学术界的最新 paper，却发现一众大神还在用着入门级的 SGD，最多加个 Momentum 或者 Nesterov，还经常会黑一下Adam。比如 UC Berkeley 的一篇论文就在 Conclusion 中写道：

https://blog.youkuaiyun.com/fishmai/article/details/52510826

转载于:https://my.oschina.net/u/3993524/blog/3082049