【模型训练】SGD的那些变种，真的比SGD强吗
言有三
毕业于中国科学院，计算机视觉方向从业者，有三工作室等创始人
作者 | 言有三
编辑 | 言有三
深度学习框架目前基本上都是使用梯度下降算法及其变种进行优化，通常意义上大家会认为原始的梯度下降算法是最弱的，但事实上并非如此。
很多的论文依然采用了原始的梯度下降算法而不采用更高级的算法，今天就以一个实践例子来给大家展示一下各类算法的比较，所有内容参考文章【An overview of gradient descent optimization algorithms】。
01
梯度下降算法
本文目标不是为了从零开始讲清楚优化算法，所以有些细节和基础就略过。
梯度下降算法，即通过梯度的反方向来进行优化，批量梯度下降（Batch gradient descent）用公式表述如下：
写成伪代码如下：
for i in range(nb_epochs):
params_grad = evaluate_gradient(loss_function, data, params)
params = params - learning_rate * params_grad
上面的梯度下降算法用到了数据集所有的数据，这在解决实际问题时通常是不可能，想想imagenet1000有100G以上的图像，内存装不下，速度也很慢。
我们需要在线能够实时计算，于是一次取一个样本，就有了随机梯度下降（Stochastic gradient descent），简称sgd。
公式如下：
写成伪代码如下：
for i in range(nb_epochs):
np.random.shuffle(data)
for example in data:
params_grad = evaluate_gradient(loss_function , example , params)
params = params - learning_rate * params_grad
sgd方法缺点很明显，梯度震荡，所以就有了后来大家常用的小批量梯度下降算法（Mini-batch gradient descent）。
伪代码如下：
for i in range(nb_epochs):
np.random.shuffle(data)
for batch in get_batches(data, batch_size=50):
params_grad = evaluate_gradient(loss_function, batch, params)
params = params - learning_rate * params_grad
下面我们要形成共识，说sgd算法，实际上指的就是mini-batch gradient descent算法，没有人会去一次拿整个数据集或者一个样本进行优化。
当然还是要总结一下SGD算法的毛病。
(1)学习率大小和策略选择困难，想必动手经验丰富的自然懂。
(2)学习率不够智能，对所有参数一视同仁。
(3)同时面临局部极值和鞍点的问题。
可能有同学不知道鞍点怎么回事，简单来说，它就是在某一些方向梯度下降，另一些方向梯度上升，形状似马鞍，抄来一张图如下，红点就是鞍点。
02
梯度下降方法改进
1.1 动量法
改进方法那么多，我觉得真正最有用的就是它。
前面说了梯度下降算法是按照梯度的反方向进行参数更新，但是刚开始的时候梯度不稳定呀，方向改变是很正常的，梯度就是抽疯了似的一下正一下反，导致做了很多无用的迭代。
而动量法做的很简单，相信之前的梯度。如果梯度方向不变，就越发更新的快，反之减弱当前梯度。
画成图就是这样。
效果对比就这意思。
1.2 nesterov动量法
仍然是动量法，只是它要求这个下降更加智能。
既然动量法已经把前一次的梯度和当前梯度融合，那何不更进一步，直接先按照前一次梯度方向更新一步将它作为当前的梯度，看下面的式子就明白了。
如上图，自己领会。
nesterov的好处就是，当梯度方向快要改变的时候，它提前获得了该信息，从而减弱了这个过程，再次减少了无用的迭代。
1.3 Adagrad法
思路很简单，不同的参数是需要不同的学习率的，有的要慢慢学，有的要快快学，所以就给了一个权重咯，而且是用了历史上所有的梯度幅值。
1.4 Adadelta与Rmsprop
adagrad用了所有的梯度，问题也就来了，累加的梯度幅值是越来越大的。导致学习率前面的乘因子越来越小，后来就学不动了呀。
adadelta就只是动了一丢丢小心思，只累加了一个窗口的梯度，而且计算方法也更有效。
并且，将学习率用前一时刻参数的平方根来代替，最终更新算法变成了这样。
把γ变成0.9，就是RMSprop方法了，这个方法在Hinton的课程中使用的，没有发表成论文，毕竟有adadelta了，没有发表必要。与adadelta另一个不同是还是需要学习率的，建议0.001。
1.5 adam法
最后就是这个adam算法，作为最晚出现的，当然是集大成者。
adam对梯度的一阶和二阶都进行了估计与偏差修正，使用梯度的一阶矩估计和二阶矩估计来动态调整每个参数的学习率。
看出来了吧，与adadelta和rmsprop如出一辙，与momentum sgd也颇为相似。上面的式子根据梯度对参数更新的幅度进行了动态调整，所以adam对学习率没有那么敏感。
1.6 adamax
将adam使用的二阶矩变成更高阶，就成了adamax算法。
1.7 nadam法
nag加上adam，就成了nadam方法，即带有动量项的adam，所以形式也很简单，如下，可以将其分别与adam算法和nag算法的式子比较看看。
说了这么多，对上面各种方法从一个鞍点开始优化，表现如何的预期效果图如下。
理论上，就是上面这样的。文章作者会告诉你对于数据稀疏的问题，用自适应学习率算法就好了，而且使用人家推荐的参数就好。其中，adam会最佳。
03
各种方法表现究竟如何
上面说了这么多理论，分析起来头头是道，各种改进版本似乎各个碾压SGD算法，然而根据笔者经验，仔细调优后的SGD算法绝对吊打其他算法。
实验结果看下图，基础任务模型和数据集上次已经说过，此处不再赘述。
所有方法都采用作者们的默认配置，并且进行了比较，不好的结果就不拿出来了。
nesterov方法，与sgd算法同样的配置。
adam算法，m1=0.9，m2=0.999，lr=0.001。
rms算法，rms_decay=0.9，lr=0.001。
adagrad，adadelta学习率不敏感。
怎么着，好像都不如SGD算法呀。为什么呢？留言讨论吧。
如果想了解更多，欢迎关注知乎。
有三AI学院“济”划最后一个星期，明年就不会有了，寒冬已至。
如果想加入我们，后台留言吧
转载后台联系，侵权必究
微信
Longlongtogo
公众号内容
1 图像基础｜2 深度学习｜3 行业信息
往期精选
不告诉你