🎯 博主简介
你好，我是安逸，CSDN「人工智能技术领域新星创作者」，码龄 6 年。博客总访问量 31万+，博客粉丝 1.2万+。
我长期关注人工智能技术与工程实践，主要研究和分享 AI Agent、RAG 系统、MCP 协议、OpenClaw、AI 编程工具以及大模型工程化落地。同时也持续输出 Java / Spring、Transformer、机器学习、深度学习与计算机视觉等方向的学习笔记和项目经验。
📚 推荐系列合集
目前已经整理了 生产级 RAG 系统实战、Agent 记忆系统、MCP 协议深度解析、OpenClaw 系列、Hermes Agent + Obsidian、图解机器学习、Claude Code 系列和 Agent 经典面试题等系列合集，涵盖 AI 应用开发、智能体实践、知识管理、机器学习与 AI 编程工具。
📱GZH：安逸Ai (科技前沿新闻，Github热门项目，最新免费资料...)
网页观看完整系列合集：🌐 Anyi AI 学习资源站
上篇聊完梯度消失和梯度爆炸，你可能在想：为什么梯度会不稳定？怎么才能让训练更顺畅？
答案跟优化器有关。梯度消失和梯度爆炸说的是"方向不准"，而优化器决定的是"怎么根据这个方向更新参数"。同一个梯度，优化器不同，效果天差地别。
优化器：决定参数怎么走的那只手
训练神经网络，本质上是找一组参数让损失函数最小。
损失函数衡量的是"模型预测"和"真实答案"之间的差距。优化器的任务就是不断调整参数，让这个差距越来越小。
核心公式很简单：新参数 = 旧参数 - 学习率 × 梯度
梯度告诉优化器哪个方向是下坡，学习率决定这一步迈多大。这个过程重复几百上千次，参数就慢慢变"聪明"了。
想象你在多维曲面上找一个最低点。起点是随机初始化的地方，终点是某个低洼处。梯度下降就是每一步都往最陡的下坡方向走。
问题是，这个曲面可能极其复杂。有平坦的 plateau，有陡峭的峡谷，还有很多小坑。如果优化器只会"低头看脚下"，就容易走弯路。
三维Loss曲面图展示参数从高Loss点沿曲面下降至局部最小值，标注梯度方向箭头
所以需要不同的优化器。
SGD：最老实的笨办法
SGD，即随机梯度下降，每次只用1个样本（或少量样本）计算梯度。
为什么要"随机"？因为算全部数据的梯度太慢了。如果有100万条数据，每次迭代都要过一遍全部数据，训练一轮可能要几个小时。
SGD的思路是：用1个样本的梯度来近似全部样本的梯度。虽然不准确，但速度快。
深度学习里常用的是 Mini-batch SGD。每次用几十到几百个样本来估计梯度，在"准确度"和"速度"之间找平衡。Batch Size 一般设成 32、64、128 这些 2 的幂次。
SGD最大的问题是"晃"。
Loss随迭代次数变化曲线图，明显标注SGD的波动特征和最终收敛震荡区域
看这张图，SGD的Loss曲线不是平滑下降的，而是来回波动。特别是在最优解附近，晃来晃去就是停不下来。
原因很简单：每个batch的样本不一样，梯度估计有噪声。就像在浓雾里下山，你每次只能看清脚下一米，偶尔会往错误方向迈一步。
这个"晃"有坏处：收敛慢，最终精度可能差那么一点点。
但也有好处：有时候能帮助跳出局部最优。SGD的噪声反而让它不会困在小的局部最优里。
调参的时候，学习率是最关键的一个参数。设大了震荡剧烈，设小了收敛像蜗牛爬。
Momentum：给梯度加个惯性
Momentum，中文叫动量法，核心思想是"累积历史梯度"。
物理里有个概念：一个滚动的球有惯性，往某个方向滚的时间越长，继续往那个方向滚的趋势越大。Momentum就是借鉴了这个思想。
公式变成这样：
速度 = 动量系数 × 旧速度 + 当前梯度
参数 = 旧参数 - 学习率 × 速度动量系数通常设为0.9。这意味着历史梯度占大头，当前梯度只占10%。
想象一个小球在山坡上滚。当前坡度变陡了，但小球不会马上垂直下落，而是沿着之前的方向偏移一下。
物理小球沿斜面滚动图，展示速度累积方向和当前梯度方向的几何关系
这样做有两个好处：
一是相关方向加速。连续几轮梯度都往东，那速度越来越大，更新步子越来越快。
二是摇摆方向减速。如果这轮梯度往东，下轮往西，速度会相互抵消，晃动的幅度就小了。
我以前用Momentum训练图像分类模型，明显感觉比SGD收敛快，而且曲线平滑很多。
Adam：自适应学习率的集大成者
Adam是Adaptive Moment Estimation的缩写，2014年提出，迅速成为深度学习的默认优化器。
它聪明在哪里？
Adam同时用了两个东西：动量（一阶矩）和自适应学习率（二阶矩）。
动量帮你"顺着惯性走"，自适应学习率帮你"知道路况"。
什么是自适应学习率？梯度大的方向，学习率自动变小；梯度小的方向，学习率自动变大。
这就好比登山时，遇到陡坡就小步谨慎，碰到平路就大步快走。
Adam怎么做到的？
它维护两个移动平均：一个是梯度的均值（类似Momentum），一个是梯度平方的均值（反映梯度大小）。
用梯度平方的均值来调整学习率：大梯度→小步长，小梯度→大步长。
默认学习率0.001。听起来很小，但Adam会自动调节。
实际用下来，Adam对学习率的初始值确实不那么敏感。我一般直接用0.001，很少需要改。
Adam的公式比较复杂，但效果简单粗暴：大多数任务直接用Adam，效果都不会太差。
Adam优化器四步计算流程图，从输入梯度到参数更新的完整计算链路
三种优化器怎么选
没有最好，只有最适合。
SGD/Momentum/Adam三者在收敛速度、稳定性、调参难度、适用场景的雷达图或评分表
总结一下：
SGD像老黄牛。慢，但稳。最终精度往往最好。适合搞研究、写论文、刷比赛。
Momentum像山地自行车。比SGD快，比Adam省心。是很多工程的默认选择。
Adam像智能导航。快，自动化程度高。但有时候"聪明反被聪明误"，在测试集上可能略输Momentum一点点。
关键区别：Adam训练快，Momentum测试准。
追求模型上线后的最终表现，用Momentum值得。
快速迭代一个想法，Adam帮你省时间。
大规模预训练模型（GPT、BERT这些），清一色用Adam，参数量太大，Adam的收敛速度优势明显。
实战建议
别纠结，按这个来：
优化器选择决策流程图，从数据集规模→模型复杂度→性能要求的懒人选择指南
快速实验阶段，用Adam。它能让你快速验证想法是否靠谱。
追求最终精度，用Momentum。学习率和动量系数要仔细调。
超大规模训练，用AdamW（带权重衰减的Adam）。防止参数过大导致过拟合。
另外，Batch Size和学习率要配合调整。Batch Size翻倍，学习率也可以适当加大。这个很多人会忘。
总结
优化器是深度学习的引擎。没有它，参数永远停在初始化状态。
梯度消失和梯度爆炸是"方向问题"，Batch Normalization可以缓解。但真正的解决之道，往往需要配合合适的优化器。
Adam虽好，但不是银弹。面对越来越大的模型、越来越复杂的数据，理解每种优化器的本质，才能做出明智选择。
下次模型不收敛或者收敛太慢，先检查一下：优化器选对了吗？学习率合适吗？
有时候，换个优化器，问题就迎刃而解了。