从sgd到adam深度学习优化算法概览.docVIP

从 SGD 到 Adam —— 深度学习优化算法概览 （一 ） 楔子前些日在写计算数学课的期末读书报告，我选择的 主题是「分析深度学习中的各个优化算法」 。在此前的工作 中，自己通常就是无脑「 Adam 大法好」，而对算法本身的 内涵不知所以然。一直希望能抽时间系统的过一遍优化算法 的发展历程，直观了解各个算法的长处和短处。这次正好借 着作业的机会，补一补课。本文主要借鉴了 @Juliuszh 的 文章 [1]思路，使用一个 general 的框架来描述各个梯度下降 变种算法。实际上，本文可以视作对 [1] 的重述，在此基础上， 对原文描述不够详尽的部分做了一定补充，并修正了其中许 多错误的表述和公式。另一主要参考文章是 Sebastian Ruder 的综述 [2] 。该文十分有名， 大概是深度学习优化算法 综述中质量最好的一篇了。建议大家可以直接阅读原文。本 文许多结论和插图引自该综述。对优化算法进行分析和比较 的文章已有太多，本文实在只能算得上是重复造轮，旨在个 人学习和总结。希望对优化算法有深入了解的同学可以直接 查阅文末的参考文献。引言最优化问题是计算数学中最为重 要的研究方向之一。而在深度学习领域，优化算法的选择也 是一个模型的重中之重。即使在数据集和模型架构完全相同 的情况下，采用不同的优化算法，也很可能导致截然不同的 训练效果。梯度下降是目前神经网络中使用最为广泛的优化 算法之一。为了弥补朴素梯度下降的种种缺陷，研究者们发 明了一系列变种算法， 从最初的 SGD ( 随机梯度下降 ) 逐步 演进到 NAdam 。然而，许多学术界最为前沿的文章中，都 并没有一味使用 Adam/NAdam 等公认“好用”的自适应算法， 很多甚至还选择了最为初级的 SGD 或者 SGD with Momentum 等。本文旨在梳理深度学习优化算法的发展历 程，并在一个更加概括的框架之下，对优化算法做出分析和 对比。 Gradient Descent 梯度下降是指，在给定待优化的模 型参数 和目标函数 后，算法通过沿梯度 的相反方向更 新 来最小化 。学习率 决定了每一时刻的更新步长。对 于每一个时刻 ，我们可以用下述步骤描述梯度下降的流程： (1) 计算目标函数关于参数的梯度 (2) 根据历史梯度计算一 阶和二阶动量 (3) 更新模型参数 其中， 为平滑项， 防止 分母为零，通常取 1e-8 。 Gradient Descent 和其算法变种 根据以上框架，我们来分析和比较梯度下降的各变种算法。 Vanilla SGD 朴素 SGD (Stochastic Gradient Descent) 最 为简单，没有动量的概念，即 这时，更新步骤就是最简 单的 SGD 的缺点在于收敛速度慢，可能在鞍点处震荡。并 且，如何合理的选择学习率是 SGD 的一大难点。 MomentumSGD 在遇到沟壑时容易陷入震荡。为此，可以 为其引入动量 Momentum[3] ，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 ， 通常取 0.9 左右。这意味着参数更新方向 不仅由当前的梯度决定，也与此前累积的下降方向有关。这 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。 图 1（a）: SGD 图 1（b）: SGD with momentum 从图 1 中可以看出，引入动量有效的加速了梯 度下降收敛过程。 Nesterov Accelerated Gradient 图 2: Nesterov update 更进一步的，人们希望下降的过程更加智 能：算法能够在目标函数有增高趋势之前，减缓更新速率。 NAG 即是为此而设计的，其在 SGD-M 的基础上进一步改 进了步骤 1 中的梯度计算公式： 参考图 2，SGD-M 的步 长计算了当前梯度（短蓝向量）和动量项 （长蓝向量）。然 而，既然已经利用了动量项来更新 ，那不妨先计算出下一 时刻 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。 AdagradSGD 、 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。对 于更新不频繁的参数 （典型例子： 更新 word embedding 中 的低频词），我们希望单次步长更大，多学习一些知识；对 于更新频繁的参数，我们则希望步长较小，使得学习到的参 数更稳定， 不至于被单个样本影响太多。 Adagrad