概述
优化算法就是专门研究如何优化模型的。
常用优化算法
随机梯度下降(SGD)
损失函数是模型参数的函数。因此可以求出损失函数对于模型参数的梯度。可以沿着梯度方向进行参数更新。
SGD存在的问题
SGD + Momentum
该算法主要是为了解决SGD的抖动问题的。
具体实现:
其实就是在计算本次梯度时,会考虑过去的梯度值。例如将 ρ \rho ρ设置为0.9,那么此刻的梯度有 90 % 90\% 90%的部分来自历史值,剩余 10 % 10\% 10%来自于当前的计算值。这样更新方向就不会乱抖动了。
RMSProp
主要作用:==沿着"陡峭"方向的优化变慢;沿着"平缓"方向的优化加快。==稳定优化速度(更新步长)
SGD我们不是要设定学习率参数麻,而RMS可以在训练过程中动态调整参数。
RMSprop的更新规则如下:
- 初始化参数 θ \theta θ,设置学习率 η \eta η,衰减系数 ρ \rho ρ(通常设为0.9),以及数值稳定性的小常数 ϵ \epsilon ϵ(通常设为 1e-8 );
- 在每次迭代中,计算参数 θ \theta θ 的梯度 g g g ;
- 更新累积平方梯度的指数加权移动平均 r r r : r = ρ r + ( 1 − ρ ) g 2 r = \rho r+(1-\rho)g^2 r=ρr+(1−ρ)g2
- 计算参数更新量: Δ θ = η r + ϵ ⋅ g \Delta\theta = \frac{\eta}{\sqrt{r + \epsilon}} \cdot g Δθ=r+ϵ η⋅g
- 更新参数 θ \theta θ: θ = θ − Δ θ \theta = \theta - \Delta\theta θ=θ−Δθ
AdaGrad算法
与RMS类似的算法,只不过在处理累计梯度的方法上不同
- 初始化参数 θ \theta θ,设置学习率 η \eta η,以及数值稳定性的小常数 ϵ \epsilon ϵ(通常设为 1e-8 );
- 在每次迭代中,计算参数 θ \theta θ 的梯度 g g g ;
- 更新累积平方梯度的指数加权移动平均 r r r,初始为0 : r = r + g 2 r = r+g^2 r=r+g2
- 计算参数更新量: Δ θ = η r + ϵ ⋅ g \Delta\theta = \frac{\eta}{\sqrt{r + \epsilon}} \cdot g Δθ=r+ϵ η⋅g
- 更新参数 θ \theta θ: θ = θ − Δ θ \theta = \theta - \Delta\theta θ=θ−Δθ
AdaGrad VS RMSProp
AdaGrad: 累积所有过去的梯度平方(无遗忘因子)。这意味着它会不断地累积梯度信息,导致学习率随着时间逐渐减小,可能在后期变得过小,以至于无法继续有效更新;
RMSprop: 使用指数加权平均来累积过去的梯度平方(有遗忘因子)。这种方式使得算法对最近的梯度给予更多的权重,而对旧的梯度逐渐"遗忘",从而避免了学习率过快减小的问题。
学习率的更新
除了通过优化算法来更新学习率之外,我们也可以手动更新学习率