神经网络中的梯度优化算法(二)
Adagrad(Adaptive gradient algorithm)
Adagrad算法可以针对不同的参数自适应的采用不同的更新频率，对低频出现的特征采用低的更新率，对高频出现的特征采用高的更新率，因此，对于稀疏的数据它表现的很好，很好的提升了SGD的鲁棒性，在Google的通过Youtube视频识别猫的神经网络训练中有很好的表现。
梯度更新规则:
表示在t时刻目标函数对
的偏导数。SGD的每个参数的更新过程如下：
Adagrad的每个参数更新过程如下:
是一个对角矩阵，对角线上的每个元素是t时刻前所有
的梯度的平方和。ξ通常取值在1e-8量级，它的存在是为了避免除数为0。一个有趣的现象是，如果没有平方根操作，算法的表现就非常糟糕。
Adagrad的主要缺点是，它的分母是平方梯度的累积，它的值会一直增加，最终导致学习率衰减到非常小，从而使得学习算法无法进行下去。
TensorFlow实现:
tf.train.AdagradOptimizer(learning_rate, initial_accumulator_value=0.1, use_locking=False, name='Adagrad')Adadelta
Adadelta算法主要解决Adagrad的缺陷，它不再累加过去所有的梯度，而是仅累积过去固定个数的梯度。
Adadelta不是采用平方梯度的简单累加，而是采用历史平方梯度的衰减的平均。
γ通常等于0.9
分母相当于梯度的均方根(root mean squared, RMS)，即将所有值平方求和，求其均值，再开平方，就得到均方根值。
梯度更新规则:
将学习率η设置为
，我们就不需要提前设定学习率。
RMSprop
RMSprop是Geoff Hinton提出的一种自适应学习率的方法，它与Adadelta方法都是为了解决Adagrad学习率急剧下降问题的。它与Adadelta方法是一致的。
梯度更新规则
超参数设定值:
Hinton建议设定
, 学习率
。
TensorFlow实现:
tf.train.RMSPropOptimizer.__init__(learning_rate, decay, momentum=0.0, epsilon=1e-10, use_locking=False, name='RMSProp')Adam：Adaptive Moment Estimation
Adam也是对不同的参数自适应设置不同的学习率。它对历史梯度和历史平方梯度同时采用指数梯度衰减(exponentially decaying average)。
梯度更新规则
Adam作者观察到，如果
和
初始化为零向量，并且衰减率很小时(比如
和
都非常接近于1时)，在开始的迭代中，
和
总是向零偏移，所以需要做偏移校正。
然后用校正后的值进行梯度更新:
Adam作者建议
，在实践中，Adam比其它算法的效果要好。
TensorFlow实现：
tf.train.AdamOptimizer(learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False, name='Adam')Adamax
Adam更新规则中的梯度缩放与历史梯度的
范数成反比。
我们可以把这个规则泛化到
范数。
当p值增大的时候，
的值往往会变得不稳定，所以在实践中L1和L2使用的比较普遍。但是Adamax作者发现
可以收敛到一个稳定值。
然后我们可以采用
代替
来更新Adam中的梯度。
同时
不需要做零偏校正。默认取值建议：
