深度学习基础——神经网络优化算法

1.1梯度下降法

梯度下降法:函数沿梯度方向有最大的变化率,优化目标损失函数时,根据负梯度方向进行。
θ t + 1 = θ t − η ⋅ ∇ θ L ( θ t ) \theta_{t+1} = \theta_t - \eta \cdot \nabla_\theta L(\theta_t) θt+1=θt−η⋅∇θL(θt)

其中:
η \eta η为学习率,即每次更新的步长。
∇ θ \nabla_\theta ∇θ为梯度。

1.2改进的梯度下降法

以下是神经网络梯度下降法中几种经典改进方法的讲解,包括核心思想、公式及适用场景:


1. Momentum(动量法)

核心思想 :模拟物理中的动量,在参数更新时引入历史梯度方向的加权平均,加速收敛并减少震荡。
公式
v t = β v t − 1 + ( 1 − β ) ∇ θ L ( θ t ) θ t + 1 = θ t − η ⋅ v t v_{t} = \beta v_{t-1} + (1-\beta) \nabla_\theta L(\theta_t) \\ \theta_{t+1} = \theta_t - \eta \cdot v_t vt=βvt−1+(1−β)∇θL(θt)θt+1=θt−η⋅vt

  • 特点
    • β \beta β 为动量系数(通常取0.9),控制历史梯度的权重。
    • 在梯度方向一致时加速更新,梯度方向变化时减少震荡。
  • 适用场景:损失函数存在局部最小值或鞍点时效果显著。

2. AdaGrad(自适应梯度)

核心思想 :为每个参数自适应调整学习率,历史梯度平方的累积值越大,学习率越小。
公式
G t = G t − 1 + ( ∇ θ L ( θ t ) ) 2 θ t + 1 = θ t − η G t + ϵ ⋅ ∇ θ L ( θ t ) G_t = G_{t-1} + (\nabla_\theta L(\theta_t))^2 \\ \theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{G_t + \epsilon}} \cdot \nabla_\theta L(\theta_t) Gt=Gt−1+(∇θL(θt))2θt+1=θt−Gt+ϵ η⋅∇θL(θt)

  • 特点
    • 学习率随训练逐步衰减,适合稀疏数据(如自然语言处理)。
    • 缺点:累积梯度平方可能导致学习率过早趋近于零。
  • 适用场景:特征稀疏或需要自适应调整学习率的任务。

3. RMSProp(均方根传播)

核心思想 :改进AdaGrad的累积方式,引入指数衰减平均,避免学习率过早下降。
公式
E t = β E t − 1 + ( 1 − β ) ( ∇ θ L ( θ t ) ) 2 θ t + 1 = θ t − η E t + ϵ ⋅ ∇ θ L ( θ t ) E_t = \beta E_{t-1} + (1-\beta)(\nabla_\theta L(\theta_t))^2 \\ \theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{E_t + \epsilon}} \cdot \nabla_\theta L(\theta_t) Et=βEt−1+(1−β)(∇θL(θt))2θt+1=θt−Et+ϵ η⋅∇θL(θt)

  • 特点
    • 通过衰减系数 β \beta β(通常取0.9)控制历史梯度的影响。
    • 解决了AdaGrad学习率单调下降的问题。
  • 适用场景:非平稳目标函数或需要动态调整学习率的场景。

4. Adam(自适应矩估计)

核心思想 :结合Momentum和RMSProp,利用梯度的一阶矩(均值)和二阶矩(方差)进行自适应调整。
公式
m t = β 1 m t − 1 + ( 1 − β 1 ) ∇ θ L ( θ t ) ( 一阶矩 ) v t = β 2 v t − 1 + ( 1 − β 2 ) ( ∇ θ L ( θ t ) ) 2 ( 二阶矩 ) m ^ t = m t 1 − β 1 t , v ^ t = v t 1 − β 2 t ( 偏差修正 ) θ t + 1 = θ t − η v ^ t + ϵ ⋅ m ^ t m_t = \beta_1 m_{t-1} + (1-\beta_1)\nabla_\theta L(\theta_t) \quad (\text{一阶矩}) \\ v_t = \beta_2 v_{t-1} + (1-\beta_2)(\nabla_\theta L(\theta_t))^2 \quad (\text{二阶矩}) \\ \hat{m}_t = \frac{m_t}{1-\beta_1^t}, \quad \hat{v}t = \frac{v_t}{1-\beta_2^t} \quad (\text{偏差修正}) \\ \theta{t+1} = \theta_t - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon} \cdot \hat{m}_t mt=β1mt−1+(1−β1)∇θL(θt)(一阶矩)vt=β2vt−1+(1−β2)(∇θL(θt))2(二阶矩)m^t=1−β1tmt,v^t=1−β2tvt(偏差修正)θt+1=θt−v^t +ϵη⋅m^t

  • 特点
    • 超参数 β 1 \beta_1 β1(通常0.9)和 β 2 \beta_2 β2(通常0.999)分别控制一阶和二阶矩的衰减。
    • ϵ \epsilon ϵ为一个很小的常数。
    • 偏差修正(Bias Correction)避免初始阶段估计偏差。
    • 综合了动量加速和自适应学习率的优点。
  • 适用场景:通用性强,尤其适合大数据集和复杂模型(如深度学习)。

总结与对比
方法 核心改进点 优点 缺点
Momentum 引入动量加速收敛 减少震荡,加速平坦区域收敛 对噪声敏感,需调参(\beta)
AdaGrad 自适应学习率(历史梯度平方) 适合稀疏数据 学习率过早下降,需手动设置(\epsilon)
RMSProp 指数衰减的梯度平方累积 解决AdaGrad学习率下降过快问题 超参数(\beta)需调节
Adam 一阶矩+二阶矩自适应 收敛快,适应性强,通用性好 内存占用略高,超参数较多

实际应用建议
  • 默认选择:优先尝试Adam,因其在大多数任务中表现稳定。

  • 特殊场景:稀疏数据可尝试AdaGrad或RMSProp;简单模型可用Momentum。

  • 框架实现

    python 复制代码
    # PyTorch示例
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
相关推荐
一百天成为python专家几秒前
K-近邻算法
数据结构·python·算法·pandas·近邻算法·ipython·python3.11
满分观察网友z18 分钟前
告别烦人的“三连发”:我的智能评论系统过滤之旅(1957. 删除字符使字符串变好)
算法
满分观察网友z21 分钟前
滑动窗口下的极限挑战:我在实时数据流中挖掘最大价值分(1695. 删除子数组的最大得分)
算法
山烛39 分钟前
KNN 算法中的各种距离:从原理到应用
人工智能·python·算法·机器学习·knn·k近邻算法·距离公式
guozhetao1 小时前
【ST表、倍增】P7167 [eJOI 2020] Fountain (Day1)
java·c++·python·算法·leetcode·深度优先·图论
吃着火锅x唱着歌1 小时前
LeetCode 611.有效三角形的个数
算法·leetcode·职场和发展
CHANG_THE_WORLD4 小时前
金字塔降低采样
算法·金字塔采样
不知天地为何吴女士6 小时前
Day32| 509. 斐波那契数、70. 爬楼梯、746. 使用最小花费爬楼梯
算法
小坏坏的大世界6 小时前
C++ STL常用容器总结(vector, deque, list, map, set)
c++·算法
励志要当大牛的小白菜8 小时前
ART配对软件使用
开发语言·c++·qt·算法