【Interview】Optimization

最新推荐文章于 2025-12-13 17:06:00 发布

原创最新推荐文章于 2025-12-13 17:06:00 发布 · 313 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#optimization #adam #sgd

高频面经专栏收录该内容

4 篇文章

订阅专栏

本文回顾了深度学习优化算法的发展历程，从SGD到Nadam，解析了各种算法如SGDM、NAG、Adagrad、AdaDelta、Adam的工作原理及优缺点。详细对比了它们在损失面等高线图和鞍点处的表现，强调了动量、二阶动量、指数移动平均等概念的重要性。

Reference

https://zhuanlan.zhihu.com/p/32626442
https://zhuanlan.zhihu.com/p/21360434?refer=intelligentunit

深度学习优化算法经历了 SGD -> SGDM -> NAG ->AdaGrad -> AdaDelta -> Adam -> Nadam 这样的发展历程

推荐的两个更新方法是SGD+Nesterov动量方法，或者Adam方法

不同算法在损失面等高线图中的学习过程
- Adagrad、Adadelta、RMSprop 从最开始就找到了正确的方向并快速收敛
- SGD 找到了正确方向但收敛速度很慢
- SGD-M 和 NAG 最初偏离航道，最终纠正到正确方向
  SGD-M 偏离的惯性比 NAG 更大。
不同算法在鞍点处的表现
- Adagrad、RMSprop、Adadelta 都很快找到了正确的方向并快速收敛
- SGD、SGD-M、NAG 都受到了鞍点的严重影响
  SGD-M、NAG 最终还是逃离了鞍点
  SGD 没有逃离靶点

Gradient Descent

学习率
梯度
根据历史梯度计算的一阶动量
根据历史梯度计算的二阶动量
模型参数

Vanilla SGD

朴素 SGD (Stochastic Gradient Descent) 最为简单，没有动量的概念

SGD 的缺点在于收敛速度慢，可能在鞍点处震荡，停留在一个局部最优点

SGDM （SGD with Momentum）

解决SGD遇到沟壑时陷入震荡问题，引入动量momentum

SGD 在遇到沟壑时容易陷入震荡。为此，可以为其引入动量 Momentum ，加速 SGD 在正确方向的下降并抑制震荡。

SGD-M 在原步长之上，增加了与上一时刻步长相关的 <img src="https://leanote.com/api/file/getImage?fileId=5dc0da82ab6441425d000103) ,

$γ$ 通常取 0.9 [0.5,0.9,0.95,0.99]
和学习率随着时间退火类似，动量随时间变化的设置有时能略微改善最优化的效果，其中动量在学习过程的后阶段会上升。一个典型的设置是刚开始将动量设为0.5而在后面的多个周期（epoch）中慢慢提升到0.99。

好处

参数更新方向不仅由当前的梯度决定，也与此前累积的下降方向有关。
使得参数中那些梯度方向变化不大的维度可以加速更新，并减少梯度方向变化较大的维度上的更新幅度。由此产生了加速收敛和减小震荡的效果。

NAG (Nesterov Accelerated Gradient">

SGD-M 基础上改进梯度计算公式（利用未来位置计算）

算法能够在目标函数有增高趋势之前，减缓更新速率

SGD-M 的基础上进一步改进了步骤 1 中的梯度计算公式：

SGD-M 的步长计算了当前梯度（短蓝向量）和动量项（长蓝向量）
既然已经利用了动量项来更新，那不妨先计算出下一时刻 $θ$ 的近似位置（棕向量）
并根据该未来位置计算梯度（红向量）
然后使用和 SGD-M 中相同的方式计算步长（绿向量）
这种计算梯度的方式可以使算法更好的「预测未来」，提前调整更新速率。

既然我们知道动量将会把我们带到绿色箭头指向的点，我们就不要在原点（红色点）那里计算梯度了
使用Nesterov动量，我们就在这个“lookahead”的地方计算梯度。

好处

在理论上对于凸函数它能得到更好的收敛，在实践中也确实比标准动量表现更好一些

Adagrad

改进 SGD、SGD-M 和 NAG ，使不同参数的更新频率不同，引入了二阶动量

SGD、SGD-M 和 NAG 均是以相同的学习率去更新的各个分量

而深度学习模型中往往涉及大量的参数，不同参数的更新频率往往有所区别。

Adagrad 可以做到不同参数的更新频率不同 ,引入了二阶动量：

是对角矩阵
二阶动量为参数第 $i$ 维从初始时刻到时刻 $t$ 的梯度平方和

可以这样理解：

学习率等效为
对于此前频繁更新过的参数，其二阶动量的对应分量较大，学习率就较小
这一方法在稀疏数据的场景下表现很好

缺点：

二阶动量持续累积导致学习率逐渐为0的问题

Adadelta

采用指数移动平均公式计算，解決Adagrad 中二阶动量持续累积导致学习率逐渐为0的问题

不累积全部历史梯度，而只关注过去一段时间窗口的下降梯度

RMSprop

采用指数移动平均公式计算，解決Adagrad 中二阶动量持续累积导致学习率逐渐为0的问题

在 Adagrad 中，

是单调递增的
( 二阶动量为 参数第 $i$ 维从初始时刻到时刻 $t$ 的梯度平方和 )
使得学习率逐渐递减至 0，可能导致训练过程提前结束
(学习率等效为 )

为了改进这一缺点，可以考虑在计算二阶动量时不累积全部历史梯度，而只关注最近某一时间窗口内的下降梯度

记为
采用指数移动平均公式计算，这样即可避免二阶动量持续累积的问题
和 SGD-M 中的参数类似，通常取 0.9 左右

Adam

SGD-M 和 RMSprop 的结合，把一阶动量和二阶动量都用起来（Adaptive + SGD-M），一阶二阶动量用指数移动平均计算，并做偏置校正

SGD-M
和 RMSprop 对二阶动量使用指数移动平均类似，Adam 中对一阶动量也是用指数移动平均计算

优化算法里最常见的两个超参数就都在这里了，前者控制一阶动量，后者控制二阶动量。

注意到，在迭代初始阶段，和有一个向初值的偏移（过多的偏向了 0）
因此，可以对一阶和二阶动量做偏置校正 (bias correction")

NAdam

在 Adam 之上融合了 NAG 的思想

核心在于，计算梯度时使用了「未来位置」

NAdam

提出了一种公式变形的思路，大意可以这样理解：
- 只要能在梯度计算中考虑到「未来因素」，即能达到 Nesterov 的效果；既然如此，那么在计算梯度时，可以仍然使用原始公式
- 但在前一次迭代计算时，就使用了未来时刻的动量
  那么理论上所达到的效果是类似的
公式修改为

理论上
- 下一刻的动量为
- 在假定连续两次的梯度变化不大的情况下，即
  
  有
- 此时，即可用近似表示未来动量加入到的迭代式中。
在 Adam 加入的变形
- 将展开有
- 引入
- 参数更新