自适应学习率调整：AdaDelta - Physcal

超参数

超参数（Hyper-Parameter)是困扰神经网络训练的问题之一，因为这些参数不可通过常规方法学习获得。

神经网络经典五大超参数:

学习率(Leraning Rate)、权值初始化(Weight Initialization)、网络层数(Layers)

单层神经元数(Units)、正则惩罚项（Regularizer|Normalization)

这五大超参数使得神经网络更像是一门实践课，而不是理论课。

懂神经网络可能只要一小时，但是调神经网络可能要几天。

因此，后来Vapnik做SVM支持向量机的时候，通过巧妙的变换目标函数，避免传统神经网络的大部分超参数，

尤其是以自适应型的支持向量替代人工设置神经元，这使得SVM可以有效免于过拟合之灾。

传统对抗这些超参数的方法是经验规则（Rules of Thumb)。

这几年，随着深度学习的推进，全球神经网络研究者人数剧增，已经有大量研究组着手超参数优化问题：

★深度学习先锋的RBM就利用Pre-Traning自适应调出合适的权值初始化值。

★上个世纪末的LSTM长短期记忆网络，可视为“神经网络嵌套神经网络”，自适应动态优化层数。

★2010年Duchi et.al 则推出AdaGrad，自适应来调整学习率。

自适应调整学习率的方法，目前研究火热。一个经典之作，是 Matthew D. Zeiler 2012年在Google实习时，

提出的AdaDelta。

Matthew D. Zeiler亦是Hinton的亲传弟子之一，还是商业天才，大二时办了一个公司卖复习旧书。

Phd毕业之后，创办了Clarifai，估值五百万刀。参考[知乎专栏]

Clarifai的杰出成就是赢得了ImageNet 2013冠军，后来公布出CNN结构的时候，Caffe、Torch之类

的框架都仿真不出他在比赛时候跑的结果，应该是用了不少未公布的黑科技的。

再看他2012年提出的AdaDelta，肯定是用在的2013年的比赛当中，所以后来以普通方式才无法仿真的。

梯度更新

2.1 [一阶方法] 随机梯度

SGD(Stochastic Gradient Descent)是相对于BGD(Batch Gradient Descent)而生的。

BGD要求每次正反向传播，计算所有Examples的Error，这在大数据情况下是不现实的。

最初的使用的SGD，每次正反向传播，只计算一个Example，串行太明显，硬件利用率不高。

后续SGD衍生出Mini-Batch Gradient Descent，每次大概推进100个Example，介于BGD和SGD之间。

现在，SGD通常是指Mini-Batch方法，而不是早期单Example的方法。

一次梯度更新，可视为：

xt+1=xt+ΔxtwhereΔxt=−η⋅gt

x为参数，t为时序，Δ为更新量，η为学习率，g为梯度

2.2 [二阶方法] 牛顿法

二阶牛顿法替换梯度更新量：

Δxt=H−1t⋅gt

H为参数的二阶导矩阵，称为Hessian矩阵。

牛顿法，用Hessian矩阵替代人工设置的学习率，在梯度下降的时候，可以完美的找出下降方向，

不会陷入局部最小值当中，是理想的方法。

但是，求逆矩阵的时间复杂度近似O(n3)，计算代价太高，不适合大数据。

常规优化方法

3.1 启发式模拟退火

早期最常见的手段之一就是模拟退火。当然这和模拟退火算法没有半毛钱关系。

引入一个超参数(常数)的退火公式：

ηt=η01+d×t

η0为初始学习率，d为衰减常数，通常为10−3

模拟退火基于一个梯度法优化的事实：

在优化过程中，Weight逐渐变大，因而需要逐渐减小学习率，保证更新平稳。

3.2 动量法

中期以及现在最普及的就是引入动量因子：

Δxt=ρΔxt−1−η⋅gt

ρ为动量因子，通常设为0.9

在更新中引入0.9这样的不平衡因子，使得：

★在下降初期，使用前一次的大比重下降方向，加速。

★在越过函数谷面时，异常的学习率，会使得两次更新方向基本相反，在原地”震荡“

此时，动量因子使得更新幅度减小，协助越过函数谷面。

★在下降中后期，函数面局部最小值所在的吸引盆数量较多，一旦陷进吸引盆当中，

Gradient→0，但是前后两次更新方向基本相同。

此时，动量因子使得更新幅度增大，协助跃出吸引盆。

3.3  AdaGrad

AdaGrad思路基本是借鉴L2 Regularizer，不过此时调节的不是W，而是Gradient:

Δxt=−η∑tτ=1(gτ)2√⋅gt

AdaGrad过程，是一个递推过程，每次从τ=1，推到τ=t，把沿路的Gradient的平方根，作为Regularizer。

分母作为Regularizer项的工作机制如下：

★训练前期，梯度较小，使得Regularizer项很大，放大梯度。[激励阶段]

★训练后期，梯度较大，使得Regularizer项很小，缩小梯度。[惩罚阶段]

另外，由于Regularizer是专门针对Gradient的，所以有利于解决Gradient Vanish/Expoloding问题。

所以在深度神经网络中使用会非常不错。

当然，AdaGrad本身有不少缺陷：

★初始化W影响初始化梯度，初始化W过大，会导致初始梯度被惩罚得很小。

此时可以人工加大η的值，但过大的η会使得Regularizer过于敏感，调节幅度很大。

★训练到中后期，递推路径上累加的梯度平方和越打越多，迅速使得Gradinet被惩罚逼近0，提前结束训练。

AdaDelta

AdaDelta基本思想是用一阶的方法，近似模拟二阶牛顿法。

4.1 矩阵对角线近似逆矩阵

1988年，[Becker&LeCun]提出一种用矩阵对角线元素来近似逆矩阵的方法：

Δxt=−1|diag(Ht)|+μ⋅gt

diag指的是构造Hessian矩阵的对角矩阵，μ是常数项，防止分母为0。

2012年，[Schaul&S. Zhang&LeCun]借鉴了AdaGrad的做法，提出了更精确的近似：

Δxt=−1|diag(Ht)|E[gt−w:t]2E[g2t−w:t]⋅gt

E[gt−w:t]指的是从当前t开始的前w个梯度状态的期望值。

E[g2t−w:t]指的是从当前t开始的前w个梯度状态的平方的期望值。

同样是基于Gradient的Regularizer，不过只取最近的w个状态，这样不会让梯度被惩罚至0。

4.2 窗口和近似概率期望

计算E[gt−w:t]，需要存储前w个状态，比较麻烦。

AdaDelta使用了类似动量因子的平均方法：

E[g2]t=ρE[g2]t−1+(1−ρ)g2t

当ρ=0.5时，这个式子就变成了求梯度平方和的平均数。

如果再求根的话，就变成了RMS(均方根)：

RMS[g]t=E[g2]t+ϵ−−−−−−−−√

再把这个RMS作为Gradient的Regularizer：

Δxt=−ηRMS[g]t⋅gt

其中，ϵ是防止分母爆0的常数。

这样，就有了一个改进版的AdaGrad。

4.3 Hessian方法与正确的更新单元

Zeiler用了两个反复近似的式子来说明，一阶方法到底在哪里输给了二阶方法。

首先，考虑SGD和动量法：

Δx∝g∝∂f∂x∝1x

Δx可以正比到梯度g问题，再正比到一阶导数。而log一阶导又可正比于1x。

再考虑二阶导Hessian矩阵法：

这里为了对比观察，使用了[Becker&LeCun 1988]的近似方法，让求逆矩阵近似于求对角阵的倒数：

Δx∝H−1g∝∂f∂x∂2f∂x2∝x

Δx可以正比到Hessian逆矩阵H−1⋅g问题，再正比到二阶导数。而log二阶导又可正比于x。

可以看到，一阶方法最终正比于1x，即与参数逆相关：参数逐渐变大的时候，梯度反而成倍缩小。

而二阶方法最终正比于x，即与参数正相关：参数逐渐变大的时候，梯度不受影响。

因此，Zeiler称Hessian方法得到了Correct Units(正确的更新单元)。

4.4 由Hessian方法推导出一阶近似Hessian方法

基于[Becker&LeCun 1988]的近似方法，有：

Δx≈∂f∂x∂2f∂x2

进而又有：

∂f∂x∂2f∂x2=1∂2f∂x2⋅∂f∂x=1∂2f∂x2⋅gt

简单收束变形一下, 然后用RMS来近似：

1∂2f∂x2=Δx∂f∂x≈−RMS[Δx]t−1RMS[g]t

最后，一阶完整近似式：

Δx=−RMS[Δx]t−1RMS[g]t⋅gt

值得注意的是，使用了RMS[Δx]t−1而不是RMS[Δx]t，因为此时Δxt还没算出来。

引用：http://www.cnblogs.com/neopenx/p/4768388.html 点击打开链接