卷积神经网络基础（九）

之前已经学习过SGD这种方法，虽然实现简单，但是有时候却难以达到最低点。接下来我们要学习一种新的方法：Momentum。

[6.1.4 Momentum](#6.1.4 Momentum)

[6.1.5 AdaGrad](#6.1.5 AdaGrad)

6.1.4 Momentum

Momentum就是"动量"的意思，和物理相关。数学式表达如下：

(1)

(2)

和之前学过的SGD一样，W表示要更新的权重参数，表示损失函数关于W的梯度，η表示学习率。这里出现了一个新的变量v，对应物理学的速度。上述（1）式表示物体在梯度方向上的受力，在力的作用下物体速度增加了这一物理法则。Momentum方法给人的感觉就是小球在地面上滚动。

示意图如下：

式中有αv这一项，物体不受任何力时，该项会使物体逐渐减速，（α设定为小于1的值）对应物理上的地面摩擦或空气阻力。下面是Momentum的代码实现：

python 复制代码

class Momentum:
    def __init__(self, lr=0.01, momentum=0.9):
        self.lr = lr
        self.momentum = momentum
        self.v = None
    def update(self, params, grads):
        if self.v is None:
            self.v = {}
            for key, val in params.items():
                self.v[key] = np.zeros_like(val)
        for key in params.keys():
            self.v[key] = self.momentum*self.v[key] - self.lr*grads[key]
            params[key] += self.v[key

实例变量v保存物体速度。初始化时，v中什么都不保存，但当第一次调用update()时，v会以字典性变量的形式保存与参数结构相同的数据。剩余的代码部分就是将式(1)(2)表达出来。

就像上述的示意图一样，更新路径就像小球在碗中滚动一样，和SGD相比，我们发现"之"字形的程度减轻了。这是因为虽然x轴方向受力较小，但一直在一个方向上受力，所以会朝同一个方向有一定的加速。反过来，y轴方向的受力较大，但是因为交互性地受到正方向和反方向的力，会互相抵消，所以y轴方向的速度不稳定。因此，和SGD相比，可以更快地朝x轴方向靠近，减弱"之"字形的变动程度。

基于Momentum的最优化更新路径如下所示：

我们再来看看SGD方法的更新路径：

6.1.5 AdaGrad

神经网络的学习过程中，学习率η的值很重要，如果过小，则导致学习花费过长时间，收敛较慢，反之过大则会导致发散，而无法正确学习。有一种技巧称为学习率衰减（learning rate decay）的方法，随着学习进行，使学习率逐渐减小。实际上，刚开始"多"学，然后逐渐减少学的方法，在神经网络中经常使用。

逐渐减小学习率的想法，相当于将"全体"参数的学习率值一起降低。而AdaGrad进一步发展了这个方法。针对单个的参数，赋予其"定制"的值。

AdaGrad会为每个参数适当地调整学习率，与此同时进行学习(Ada来自英文单词Adaptive，适当的)。下面用数学方法表示更新方法：

(3)

(4)

和前面SGD一样，W表示要更新的权重参数，表示损失函数关于W的梯度，η表示学习率。这里出现了新变量h，如（3）所示，它保存了以前所有梯度值的平方和。然后在更新参数时乘以就可以调整学习的尺度，也就是说，可以按照参数的元素进行学习率的衰减，使变动大的参数学习率逐渐减小。

接下来实现AdaGrad，其实现过程如下：

python 复制代码

class AdaGrad:
    def __init__(self, lr=0.01):
        self.lr = lr
        self.h = None
    def update(self, params, grads):
        if self.h is None:
        self.h = {}
        for key, val in params.items():
            self.h[key] = np.zeros_like(val)
    for key in params.keys():
 self.h[key] += grads[key] * grads[key]
 params[key] -= self.lr * grads[key] / (np.sqrt(self.h[key]) + 1e-7)

这里需要注意的是，最后一行加上了微小值1e-7.这是为了防止当self.h $key$ 中有0时，将0当作除数的情况。在很多深度学习的框架中，这个微小值也可以设定为参数，但我们使用1e-7这个固定值。AdaGrad解决最优化问题的结果如图所示：

由图可知，函数的取值高效地向着最小值移动，由于y轴方向上的梯度较大，因此刚开始变动较大，但是后面会根据这个较大的变动按比例调整，减小更新的步伐。因此y轴方向上的更新程度会被减弱，之字形的变动程度有所衰减。