动量(momentum)和Nesterov动量

一、动量

虽然随机梯度下降仍然是非常受欢迎的优化方法，但其学习过程有时会很慢。动量方法旨在加速学习，特别是处理高曲率、小但一致的梯度，或是带噪声的梯度。动量算法积累了之前梯度指数级衰减的移动平均，并且继续沿该方向移动。从形式上看，动量算法引入了变量v充当速度角色------它代表参数在参数空间移动的方向和速率。速度被设为负梯度的指数衰减平均。名称动量来自物理类比，根据牛顿运动定律，负梯度是移动参数空间中粒子的力。动量在物理学上定义为质量乘以速度。在动量学习算法中，我们假设是单位质量，因此速度向量v也可以看作粒子的动量。超参数\alpha \in[0,1) 决定了之前梯度的贡献衰减得有多快。更新规则如下：

v \leftarrow \alpha v-\varepsilon \nabla_{\theta}\left(\frac{1}{m} \sum_{i=1}^{m} L\left(f\left(x^{(i)} ; \theta\right), y^{(i)}\right)\right)

速度v积累了梯度元素\nabla_{\theta}\left(\frac{1}{m} \sum_{i=1}^{m} L\left(f\left(x^{(i)} ; \theta\right), y^{(i)}\right)\right) 。相对于\epsilon ，\alpha 越大，之前梯度对现在方向的影响也越大。带动量的SGD算法如下所示：

Requires：学习率\epsilon ，动量参数\alpha

Requires：初始参数\theta ，初始速度v

while 没有达到停止准则 do 从训练集中采包含m个样本\left\{x^{(1)}, \ldots, x^{(m)}\right\} 的小批量，对应目标为y^{(i)} 。 计算梯度估计：g \leftarrow \frac{1}{m} \sum_{i=1}^{m} L\left(f\left(x^{(i)} ; \theta\right), y^{(i)}\right)

计算速度更新：v \leftarrow \alpha v-\varepsilon g

应用更新：n+\theta \rightarrow \theta

end while

之前，步长只是梯度范数乘以学习率。现在，步长取决于梯度序列的大小和排列。当许多连续的梯度指向指定相同的方向时，步长最大。如果动量算法总是观测到梯度g，那么它只会在方向-g上不停加速，直到达到最终速度，其中步长大小为：\frac{\varepsilon\|g\|}{1-\alpha} 因此将动量的超参数视为1 /(1-\alpha) 有助于理解。例如，\alpha=0.9 对应着最大速度10倍于梯度下降算法。

在实践中，\alpha 的一般取值为0.5、0.9和0.99和学习率一样，\alpha 也会随着时间不断调整。一般初初始值是一个较小的值，随后会慢慢变大。随着时间推移调整\alpha 没有收缩\epsilon 重要。

我们可以将动量算法视为模拟连续时间下牛顿动力学下的粒子。这种物理类比有助于直觉上理解动量和梯度下降算法是如何表现的。

粒子在任意时间点的位置由\theta(t) 给定。粒子会受到净力f(t) 。该力会导致粒子加速：

f(t)=\frac{\partial^{2}}{\partial t^{2}} \theta(t)与其将其视为位置的二阶微分方程，我们不如引入表示粒子在时间t处速度的变量v(f)，将牛顿力学重写为一阶微分方程：

由此，动量算法包括通过数值模拟求解微分方程。求解微分方程的一个简单数值方法是欧拉方法，通过在每个梯度方向上具有有限的步长来简单模拟该等式的动力学。

这解释了动量更新的基本形式，但具体什么是力呢？；力正比于代价函数的负梯度-\nabla_{\theta} J(\theta) 。该力推动粒子沿着代价函数表面下坡方向的方向移动。梯度下降算法基于每个梯度简单地更新一步，而使用动量算法的牛顿方案则使用该力改变粒子的速度。我们可以将粒子视作在冰面上滑行的冰球。 每当它沿着表面最陡的部分下降时，它会积累继续在该力方向上滑行的速度，知道其开始向上滑动为止。

另一个力也是必要的。如果代价函数的梯度是唯一的力，那么粒子可能永远不会停下来。想象一下，假设理想情况下冰面没有摩擦，一个冰球从山谷的一端下滑，上升到另一端，永远来回震荡。要解决这个问题，我们添加一个正比于-v(t)的力。在物理术语中，此力对应于粘性阻力，就像例子必须通过一个抵抗介质，如糖浆。这会导致粒子随着时间推移逐渐失去能量，最终收敛到局部极小值点。

为什么要特别适用-v(t)和粘性阻力呢？部分原因是因为-v(t)在数学上的便利------速度的整数幂很容易处理。然而，其他物理系统具有基于速度的其他类型的阻力。例如，颗粒通过空气时会受到正比于速度平方的湍流阻力，而颗粒沿着地面移动时会受到恒定大小的摩擦力，这些选择都不合适。湍流阻力正比于速度的平方，在速度很小时会很弱，不够强到使例子停下来。非零初始值速度的粒子仅收到湍流阻力，会从初始位置永远地移动下去，和初始位置的距离大概正比于O(logt)，因此我们必须使用速度较低幂次的力。如果幂次为零，相当于干摩擦，那么力太大了。当代价函数的梯度表示的力很小但非零时，由过幂次为零，相当于摩擦，那么力太强了。当代建很多户的梯度表示的力很小但非零时，由于摩擦导致的阻力会使得粒子在达到局部极小点之前就停下来。粘性阻力避免了这两个问题。它足够弱，可以使梯度引起的运行直到达到最小，但有足够强，使得梯度不够时可以阻止运动。

二、Nesterov动量

受Nesterov加速度算法提出了动量算法的一个变种。这种情况的更新规则如下：

其中参数\alpha 和\epsilon 发挥了和标准动量方法中类似的作用。Nesterov动量和标准动量之间的区别体现在梯度计算上。Nesterov动量中，梯度计算在施加当前速度后。因此，Nesterov动量可以解释为往标准动量方法中添加了校正因子。完整的Nesterov动量算法如下所示，

Requires：学习率，动量参数\alpha

Requires：初始参数\theta，初始速率v

while 没有达到停止准则 do 从训练集中采包含m 个样本\left\{x^{(1)}, \ldots, x^{(m)}\right\} 的小批量，对应目标为y^{(i)} 。 应用临时更新：\hat{\theta} \leftarrow \alpha v-\pm g

应用更新：\theta \leftarrow \theta+v

end while

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)或进到O(1 / k^2) ，如Nesterov所示。可惜，在随机梯度的情况下，Nesterov动量没有改进收敛效率。