深度学习及其优化方法讲解.pptVIP

优化方法-Nadam */25 可以看出，Nadam对学习率有了更强的约束，同时对梯度的更新也有更直接的影响; 一般而言，在想使用带动量的RMSprop，或者Adam的地方，大多可以使用Nadam取得更好的效果。 优化方法-Visualization of algorithms */25 优化方法-Visualization of algorithms */25 Adagrad, Adadelta, RMSprop, 和 Adam效果明显 优化方法-建议 */25 对于稀疏数据，尽量使用学习率可自适应的优化方法，不用手动调节，而且最好采用默认值； SGD通常训练时间更长，但是在好的初始化和学习率调度方案的情况下，结果更可靠； 如果在意更快的收敛，并且需要训练较深较复杂的网络时，推荐使用学习率自适应的优化方法； Adadelta，RMSprop，Adam是比较相近的算法，在相似的情况下表现差不多； 在想使用带动量的RMSprop，或者Adam的地方，大多可以使用Nadam取得更好的效果。 References: */25 [1] Sebastian Ruder. An overview of gradient descent optimization algorithms. eprint arXiv:1609.04747, 2016.9. [2]Quoc V. Le, Jiquan Ngiam, Adam Coates, Abhik Lahiri, Bobby Prochnow, Andrew Y. Ng. On Optimization Methods for Deep Learning. Proceedings of the 28th International Conference on Machine Learning, ICML 2011, Bellevue, Washington, USA, June 28 - July 2, 2011. [3]/optimizing-gradient-descent/ [4]/dupuleng/articles/4165247. Html. [5]/majinlei121/article/details[6] /p [7] /llxrl/p/4338887.html.  References: */25 [8] Nocedal and Wright, Numerical Optimization Martens, Hessian-Free optimization for Deep Learning  */25 Thank you! 数学概念 */25 2、Hesse 矩阵（二阶导数） Hesse 矩阵常被应用于牛顿法解决的大规模优化问题，主要形式如下： 当 f(x) 是下列形式： 其中?x为列向量，A 是 n 阶对称矩阵，b 是 n 维列向量， c 是常数。f(x) 梯度是 Ax+b, Hesse 矩阵等于 A。 数学概念 */25 3、Jacobian 矩阵 Jacobian 矩阵实际上是向量值函数的梯度矩阵，假设F:Rn→Rm 是一个从n维欧氏空间转换到m维欧氏空间的函数。这个函数由m个实函数组成: 这些函数的偏导数(如果存在)可以组成一个m行n列的矩阵(m by n)，这就是所谓的雅可比矩阵： 优化方法 */25 1、Gradient Descent Gradient descent(steepest descent)，也叫批量梯度下降法Batch Gradient Descent，BSD，利用一阶的梯度信息找到函数局部最优解的一种方法，主要迭代公式如下: 其中， 是第 k 次迭代我们选择移动的方向， 是第 k 次迭代用 line search 方法选择移动的距离，每次移动的距离系数可以相同，也可以不同，有时候我们也叫学习率（learning rate）。 优化方法 */25 1、Gradient Descent 该方法利用目标函数的局部性质，得到局部最优解，具有一定的“盲目性”，如果目标函数是一个凸优化问题，那么局部最优解就是全局最优解； 每一次迭代的移动方向都与出发点的等高线垂直，此外，锯齿现象（ zig-zagging）将会导致收敛速度变慢:  优化方法 */25 2、Newton’s method 牛顿法则是利用局部的一阶和二阶偏导信息，推测整个目标函数的形状； 进而可以求得出近似函数的全局最小值，然后将当前的最小值设定近似函数的最小值； 相比最速下降法，牛顿法带有一定对全局的预测性，收敛性质也更优良。  优化方法 */25 2、Newton’s method 推导