momentum 动量法

参考：https://blog.youkuaiyun.com/tsyccnh/article/details/76270707?utm_source=distribute.pc_relevant.none-task

如果把梯度下降法想象成一个小球从山坡到山谷的过程，那么前面几篇文章的小球是这样移动的：从A点开始，计算当前A点的坡度，沿着坡度最大的方向走一段路，停下到B。在B点再看一看周围坡度最大的地方，沿着这个坡度方向走一段路，再停下。确切的来说，这并不像一个球，更像是一个正在下山的盲人，每走一步都要停下来，用拐杖来来探探四周的路，再走一步停下来，周而复始，直到走到山谷。而一个真正的小球要比这聪明多了，从A点滚动到B点的时候，小球带有一定的初速度，在当前初速度下继续加速下降，小球会越滚越快，更快的奔向谷底。momentum 动量法就是模拟这一过程来加速神经网络的优化的。

后文的公式推导不加特别说明都是基于 mini-batch SGD 的，请注意。

公式推导

更多实验数据背景及模型定义请参看该系列的前几篇文章。

上图直观的解释了动量法的全部内容。
A为起始点，首先计算A点的梯度∇ a \nabla a∇a ,然后下降到B点，
θ n e w = θ − α ∇ a \theta_{new} = \theta - \alpha\nabla aθnew​=θ−α∇a
θ \thetaθ 为参数α \alphaα 为学习率。
到了B点需要加上A点的梯度，这里梯度需要有一个衰减值γ \gammaγ ,推荐取0.9。这样的做法可以让早期的梯度对当前梯度的影响越来越小，如果没有衰减值，模型往往会震荡难以收敛，甚至发散。所以B点的参数更新公式是这样的：
v t = γ v t − 1 + α ∇ b v_t = \gamma v_{t-1} + \alpha \nabla bvt​=γvt−1​+α∇b
θ n e w = θ − v t \theta_{new} = \theta - v_tθnew​=θ−vt​
其中v t − 1 v_{t-1}vt−1​ 表示之前所有步骤所累积的动量和。
这样一步一步下去，带着初速度的小球就会极速的奔向谷底。

实验

由于样本数量较少，动量的实验未使用SGD，每一次更新loss使用全部数据

学习率 α = 0.01 \alpha = 0.01α=0.01，衰减率 γ = 0.9 \gamma = 0.9γ=0.9
对比Gradient Descent

仔细看右上角的等高线图就可以看见，momentum方法每一步走的都要更远一些。由于累加了动量，会带着之前的速度向前方冲去。比如一开始loss冲入了山谷，由于有之前的动量，继续朝着对面的山坡冲了上去。随着动量的更新，慢慢地最终收敛到了最小值。

注：对比图可能看起来GD算法要好于momentum方法，这仅仅是由于数据集比较简单。本文旨在从理论和实际实验中去学习momentum方法，不对结果对比做太多讨论。实验的结果往往和数据集、参数选择有很大关系。