深度学习: 模型优化算法

优化算法 类型

优化算法 类型 包括 一阶优化法 和 二阶优化法：

一阶优化法 对比

随机梯度下降法、基于动量的随机梯度下降法 和 Nesterov型动量随机下降法 彼此性能相近； Adagrad法、Adadelta法、RMSProp法 和 Adam法 彼此性能相近。

一阶优化法

ωω\omega ：待学习参数； ηη\eta ：学习率； ggg ：一阶梯度值； ttt ：第ttt轮训练。

随机梯度下降法

随机梯度下降算法，Stochastic Gradient Descent，简称 SGD 。

ωt←ωt−1−η⋅gωt←ωt−1−η⋅g

\omega_{t} \leftarrow \omega_{t-1} - \eta \cdot g

基于动量的随机梯度下降法

由于SGD更新时可能出现 振荡 ，遂通过 累积前几轮的动量 (momentum) 信息 来 辅助参数更新：

vt←μ⋅vt−1−η⋅gvt←μ⋅vt−1−η⋅g

v_{t} \leftarrow \mu \cdot v_{t-1} - \eta \cdot g

ωt←ωt−1+vtωt←ωt−1+vt

\omega_{t} \leftarrow \omega_{t-1} + v_{t}

μμ\mu ：动量因子，控制动量信息对整体梯度更新的影响程度。设置方法分为 静态 (始终为 0.9) 和 动态 (初始为 0.5，逐渐增长为 0.9 或 0.99) 。

Nesterov型动量随机下降法

较罕见，遂略过。

Adagrad法

根据训练轮数的不同，对学习率进行动态调整：

ηt←ηglobal∑tt'=1g2t′+ϵ−−−−−−−−−−√⋅gtηt←ηglobal∑t′=1tgt′2+ϵ⋅gt

\eta_{t} \leftarrow \frac{\eta_{global}}{\sqrt{\sum_{t′=1}^t g_{t'}^2 + \epsilon}} \cdot g_{t}

ηglobalηglobal\eta_{global} ：全局学习率 (必须提前指定) ； ϵϵ\epsilon ：防止分母为0。

初始时，ηtηt\eta_{t} 接近于 ηglobalηglobal\eta_{global} ，随着 ∑tt'=1g2t′∑t′=1tgt′2\sum_{t′=1}^t g_{t'}^2 的不断增大，ηtηt\eta_{t} 渐渐趋近于 0 。

Adadelta法

Adadelta法 在 Adagrad法 的 基础上，通过引入衰减因子 ρρ\rho ，使得 ggg 也和 ηglobalηglobal\eta_{global} 一起来对 ηtηt\eta_{t} 施加影响，防止 ηglobalηglobal\eta_{global} 垄断：

rt←ρ⋅rt−1+(1−ρ)⋅g2rt←ρ⋅rt−1+(1−ρ)⋅g2

r_{t} \leftarrow \rho \cdot r_{t-1} + (1-\rho) \cdot g^2

ηt←st−1+ϵ−−−−−−√rt+ϵ−−−−−√ηt←st−1+ϵrt+ϵ

\eta_{t} \leftarrow \frac{\sqrt{s_{t-1} + \epsilon}}{\sqrt{r_t + \epsilon}}

st←ρ⋅st−1+(1−ρ)⋅(ηt⋅g)2st←ρ⋅st−1+(1−ρ)⋅(ηt⋅g)2

s_{t} \leftarrow \rho \cdot s_{t-1} + (1-\rho) \cdot (\eta_{t} \cdot g)^2

ρρ\rho ：衰减因子，取值范围 [0, 1] ，值越大越促进网络更新，推荐为 0.95 ； ϵϵ\epsilon ：防止为 0，推荐为 10−610−610^{-6} 。

RMSProp法

较罕见，遂略过。

Adam法

在 RMSProp法 基础上 加上了 动量项 。

利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。

优点： 经过偏置校正后，每一次迭代学习率都有一个确定范围，这样可以使得参数更新比较平稳。

[1] 解析卷积神经网络—深度学习实践手册