各种优化器Optimizer的总结与比较

Posted 2021-01-25 bigcome

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了各种优化器Optimizer的总结与比较相关的知识，希望对你有一定的参考价值。

1.梯度下降法(Gradient Descent)

　　梯度下降法是最基本的一类优化器，目前主要分为三种梯度下降法：

　　　　标准梯度下降法(GD, Gradient Descent)

　　　　随机梯度下降法(SGD, Stochastic Gradient Descent)

　　　　批量梯度下降法(BGD, Batch Gradient Descent)

　　class tf.train.GradientDescentOptimizer　　使用梯度下降算法的Optimizer

　　标准梯度下降法(GD)

　　　　假设要学习训练的模型参数为 $W$

$W$

　　　　其中， $W_{t}$

$W_{t}$ 从表达式来看，模型参数的更新调整，与代价函数关于模型参数的梯度有关，即沿着梯度的方向不断减小模型参数，从而最小化代价函数

　　　　基本策略可以理解为”在有限视距内寻找最快路径下山“，因此每走一步，参考当前位置最陡的方向(即梯度)进而迈出下一步

　　　　评价：标准梯度下降法主要有两个缺点:

　　　　　　训练速度慢：

　　　　　　　　每走一步都要要计算调整下一步的方向，下山的速度变慢

　　　　　　　　在应用于大型数据集中，每输入一个样本都要更新一次参数，且每次迭代都要遍历所有的样本

　　　　　　　　会使得训练过程及其缓慢，需要花费很长时间才能得到收敛解
　　　　　　容易陷入局部最优解：

　　　　　　　　由于是在有限视距内寻找下山的反向

　　　　　　　　当陷入平坦的洼地，会误以为到达了山地的最低点，从而不会继续往下走

　　　　　　　　所谓的局部最优解就是鞍点。落入鞍点，梯度为0，使得模型参数不在继续更新

　　批量梯度下降法(BGD)

　　　　假设批量训练样本总数为nn，每次输入和输出的样本分别为X(i),Y(i)，模型参数为W，代价函数为J(W)

　　　　每输入一个样本ii代价函数关于W的梯度为ΔJi(Wt,X(i),Y(i))，学习率为ηt，则使用批量梯度下降法更新参数表达式为

　　　　　　技术分享图片

　　　　其中， $W_{t}$

$W_{t}$ 从表达式来看，模型参数的调整更新与全部输入样本的代价函数的和（即批量/全局误差）有关。

　　　　即每次权值调整发生在批量样本输入之后，而不是每输入一个样本就更新一次模型参数。这样就会大大加快训练速度。

　　　　基本策略可以理解为，在下山之前掌握了附近的地势情况，选择总体平均梯度最小的方向下山
　　　　评价：

　　　　　　批量梯度下降法比标准梯度下降法训练时间短，且每次下降的方向都很正确

　　随机梯度下降法(SGD)

　　　　对比批量梯度下降法，假设从一批训练样本 $n$

$n$

　　　　其中，gt=ΔJis(Wt;X(is);X(is)), is∈{1,2,...,n}表示随机选择的一个梯度方向，Wt表示t时刻的模型参数

　　　　 $E (g_{t}) = Δ J (W_{t})$

　　　　基本策略可以理解为随机梯度下降像是一个盲人下山，不用每走一步计算一次梯度，但是他总能下到山底，只不过过程会显得扭扭曲曲

　　　　评价：

　　　　　　优点：
　　　　　　　　虽然SGD需要走很多步的样子，但是对梯度的要求很低（计算梯度快）。而对于引入噪声，大量的理论和实践工作证明，只要噪声不是特别大，SGD都能很好地收敛。
　　　　　　　　应用大型数据集时，训练速度很快。比如每次从百万数据样本中，取几百个数据点，算一个SGD梯度，更新一下模型参数。

　　　　　　　　相比于标准梯度下降法的遍历全部样本，每输入一个样本更新一次参数，要快得多。
　　　　　　缺点：
　　　　　　　　SGD在随机选择梯度的同时会引入噪声，使得权值更新的方向不一定正确。
　　　　　　　　此外，SGD也没能单独克服局部最优解的问题。

2.动量优化法

　　动量优化方法是在梯度下降法的基础上进行的改变，具有加速梯度下降的作用。一般有标准动量优化方法Momentum、NAG（Nesterov accelerated gradient）动量优化方法

　　NAG在Tensorflow中与Momentum合并在同一函数tf.train.MomentumOptimizer中，可以通过参数配置启用

　　Momentum

　　　　使用动量(Momentum)的随机梯度下降法(SGD)，主要思想是引入一个积攒历史梯度信息动量来加速SGD

　　　　从训练集中取一个大小为nn的小批量{X(1),X(2),...,X(n)}样本，对应的真实值分别为Y(i)，则Momentum优化表达式为：

　　　　其中，vt表示t时刻积攒的加速度。α表示动力的大小，一般取值为0.9（表示最大速度10倍于SGD）。ΔJ(Wt,X(is),Y(is))含义见SGD算法。Wt表示t时刻模型参数

　　　　动量主要解决SGD的两个问题：一是随机梯度的方法（引入的噪声）；二是Hessian矩阵病态问题（可以理解为SGD在收敛过程中和正确梯度相比来回摆动比较大的问题）。

　　　　理解策略为：由于当前权值的改变会受到上一次权值改变的影响，类似于小球向下滚动的时候带上了惯性。这样可以加快小球向下滚动的速度

　　NAG

　　　　牛顿加速梯度（NAG, Nesterov accelerated gradient）算法，是Momentum动量算法的变种。更新模型参数表达式如下

　　　　　其中，vt表示t时刻积攒的加速度；α表示动力的大小；ηt表示学习率，Wt表示t时刻的模型参数，ΔJ(Wt?αvt?1)表示代价函数关于Wt的梯度

　　Nesterov动量梯度的计算在模型参数施加当前速度之后，因此可以理解为往标准动量中添加了一个校正因子

　　理解策略：在Momentun中小球会盲目地跟从下坡的梯度，容易发生错误。所以需要一个更聪明的小球，能提前知道它要去哪里，还要知道走到坡底的时候速度慢下来而不是又冲上另一个坡。

　　　　　　计算Wt?αvt?1可以表示小球下一个位置大概在哪里。从而可以提前知道下一个位置的梯度，然后使用到当前位置来更新参数

　　在凸批量梯度的情况下，Nesterov动量将额外误差收敛率从 $O (1 / k) (k 步后)$

$O (1 / k) (k 步后)$ $O (1 / k) (k 步后)$ 自适应学习率优化算法

　　自适应学习率优化算法主要有：AdaGrad算法，RMSProp算法，Adam算法以及AdaDelta算法

　　AdaGrad算法

　　　思想：

　　　　　　AdaGrad算法，独立地适应所有模型参数的学习率，缩放每个参数反比于其所有梯度历史平均值总和的平方根

　　　　　　具有代价函数最大梯度的参数相应地有个快速下降的学习率，而具有小梯度的参数在学习率上有相对较小的下降。

　　　　算法描述：

　　　　　　AdaGrad算法优化策略一般可以表示为：

　　　　　　　　技术分享图片

　　　　　　　　假定一个多分类问题，i表示第i个分类，t表示第t迭代同时也表示分类i累计出现的次数。η0表示初始的学习率取值一般为0.01，?是一个取值很小的数（一般为1e-8）为了避免分母为0。

　　　　　　　　Wt表示t时刻即第t迭代模型的参数，gt,i=ΔJ(Wt,i)表示t时刻，指定分类ii，代价函数J(?)关于W的梯度。

　　　　　　从表达式可以看出，对出现比较多的类别数据，Adagrad给予越来越小的学习率，而对于比较少的类别数据，会给予较大的学习率。因此Adagrad适用于数据稀疏或者分布不平衡的数据集。
　　　　　　Adagrad 的主要优势在于不需要人为的调节学习率，它可以自动调节；缺点在于，随着迭代次数增多，学习率会越来越小，最终会趋近于0

　　RMSProp算法

　　　　思想：

　　　　　　RMSProp算法修改了AdaGrad的梯度积累为指数加权的移动平均，使得其在非凸设定下效果更好。

　　　　算法描述：

　　　　　　RMSProp算法的一般策略可以表示为：

　　　　　　　　技术分享图片