入门神经网络优化算法（一）：Gradient Descent，Momentum，Nesterov accelerated gradient

梯度下降

基于梯度的优化算法，Gradient based optimization，也往往被称为一阶优化算法。所以很容易猜到，还有二阶优化算法等的高阶优化算法，但是在实际应用中，基于梯度的一阶优化算法是目前的绝对主流方法（当前是，2~3年以后未必），本文就重点罗列一下基于梯度的优化算法。

最典型以及简单的是：梯度下降算法。梯度下降法是神经网络求解优化中最常用的一类算法（实际上是在数值优化方法里的一种常用方法，常常用以求解连续可微函数的局部极小值）。

• gradient descent：梯度下降，又叫做Vanilla gradient descent，或者Batch gradient descent，特指用整个数据集来计算变量的梯度，它的形式是这样
  $$\theta =\theta -\eta \cdot {\nabla }_{\theta }J(\theta )$$
  其中$\theta$是求解法变量或者叫weight，也叫parameter，$J$是cost function或者叫loss function，$\eta$是学习率learning rate。相信很多人初学优化算法一定会看资料[1]，其中有说道：Batch gradient descent is guaranteed to converge to the global minimum for convex error surfaces and to a local minimum for non-convex surfaces[1]。前半句global minimum for convex是对的，后半句不完全对，除了local minimum也可能会遇到鞍点（saddle point），以及大片的平坦区域（plateau）。

• stochastic gradient descent：随机梯度下降，最早提出来是相反于gd每次要用所有的数据，而每次更新只用一个样本：
  $$\theta =\theta -\eta \cdot {\nabla }_{\theta }J(\theta ;x^{(i)},y^{(i)})$$
  最大的不同就是只用一个样本来计算梯度，这样做的好处是计算一次梯度代价是O(1)，但是往往需要反复计算，而且一般variance比较大，学习率比较难调，容易震荡甚至不收敛。所以实际上我们平时用的最多的是mini-batch stochastic gradient descent，很容易想到，是一个折中方案——每次取一个小batch来计算梯度（平均梯度），比如常用的batch = 32,128,256等，通过一个batch既一定程度上减少了方差，也不会太多增加单次梯度计算cost。然后神奇的地方是，现在的神经网络，只要喂进去数据，用一些default的学习率策略，比如multi-step(0.1)，或者poly，总能够收敛，真是香。当然，需要知道，现在很少有人直接用基本的SGD了（还是有些不稳定），而是用Momentum SGD，或者用Nesterov Momentum SGD，我个人觉得这两个优化器才是深度学习算法如此低门槛（好用）可用的关键，虽然说有一阶需要调节的超参数，但是实际上都有一些default经验值非常好用。

Momentum SGD，Nesterov accelerated gradient

先统一下叫法，我们指的Momentum SGD算法一般是指最简单的Polyak‘s momentum（Boris Polyak在1964年提出），又名Heavy Ball算法。Nesterov‘s momentum也就是我们一般指的Nesterov accelerated gradient(NAG)。

• Momentum SGD：动量SGD，最简单的理解就是在梯度上做一个moving avg，如下形式：
  $$\begin{gathered} v_t=m{v}_{t-1}-\eta {\nabla }_{\theta }J({\theta }_t) \\ {\theta }_{t+1}={\theta }_t+v_t \end{gathered}$$
  其中$m$叫做momentum parameter, $m\in [0,1)$，当 $m=0$的时候，就退化成了原始的Vanilla Gradient Method (VGM)。$\eta \ge 0$是学习率，在这里假设$m$和$\eta$都是常数，因此不写下标了。注意的是，在不同的文献或代码中，有几种实现方式，都是等价的。比如把加减号换下位置：
  $$\begin{gathered} v_t=m{v}_{t-1}+\eta {\nabla }_{\theta }J({\theta }_t) \\ {\theta }_{t+1}={\theta }_t-v_t \end{gathered}$$
  或者把学习率写在更新项上（第二行）：
  $$\begin{gathered} v_t=m{v}_{t-1}-{\nabla }_{\theta }J({\theta }_t) \\ {\theta }_{t+1}={\theta }_t+\eta v_t \end{gathered}$$
  当然这个是假设lr是一个常数，所以可以提出来，如果不是一个常数，形式上要想提出来就没那么简单了。但是因为lr本身也很经验性去调，实际中好像也没什么关系。这里我还要再推一个形式，是比较有意思的（看上面第一种形式）：
  $$\begin{gathered} {\theta }_{t+1}={\theta }_t+m{v}_{t-1}-\eta {\nabla }_{\theta }J({\theta }_t) \\ {\theta }_{t+1}={\theta }_t-\eta {\nabla }_{\theta }J({\theta }_t)+m({\theta }_t-{\theta }_{t-1}) \end{gathered}$$
  这个的解释看这一段很有启发[3]：

其实momentum的中文就是高中物理学到的动量。之所以被称作动量，是因为使用momentum的初衷，就是模拟有质量的粒子在有阻尼的场里运动轨迹 。空间内的反梯度方向就是场的作用力方向，粒子会从能量高的位置（初始解）向能量低的位置（最优解）移动，momentum parameter决定阻尼系数。因为粒子有质量，所以具有惯性，而惯性的定性定义是为物体抵抗“动量”改变的性质。换句话说，粒子具有保持静止状态或匀速直线运动状态的性质，所以粒子的运动的瞬时方向，会是力的作用方向和轨迹切线方向的一个组合。
这个物理解释可以用于理解MGM的加速效果，粒子从起点到距离终点 [公式] 距离的时间可以解释为算法的迭代复杂度(iteration complexity)。如果阻尼小，会使得粒子产生很高的移动速度，但过大的动量会使得粒子震荡，并非保持向终点移动。而当阻尼过大，又会导致粒子移动过于缓慢的话，会花很久时间接近终点，同时震荡会减小。那么如何选择最优的设置阻尼，这就是已有的大量文献里提供的参数选择了。知道了这个简单的物理解释，其实就可以理解为什么momentum会被称作overshoot了。因为vanilla gradient method其实对应0质量粒子，所以粒子不具备惯性，会始终按作用力方向运动（加速度无穷大）。

很多帖子里写到动量SGD会用类似下面这个图，说左边是sgd，而右边是带动量的。其实这个图的本意是说动量的会快一些，但是实际上对sgd的示意图有问题。可以参考【3】进行理解，我这里就不赘述了。

• Nesterov‘s momentum：NAG算法是Yurii Nesterov在1983年提出的对冲量梯度下降算法的改进版本，其速度更快。其变化之处在于计算“超前梯度”更新冲量项
  $$\begin{gathered} v_t=\gamma v_{t-1}-\eta {\nabla }_{\theta }J({\theta }_t+\gamma v_{t-1}) \\ {\theta }_{t+1}={\theta }_t+v_t \end{gathered}$$
  一个NAG计算的梯度的更新方向的示意图如下：
  

While Momentum first computes the current gradient (small blue vector) and then takes a big jump in the direction of the updated accumulated gradient (big blue vector), NAG first makes a big jump in the direction of the previous accumulated gradient (brown vector), measures the gradient and then makes a correction (red vector), which results in the complete NAG update (green vector).

以上，总结来看可以看下TensorFlow的描述https://tensorflow.google.cn/api_docs/python/tf/keras/optimizers/SGD?hl=en

v(t+1) = momentum * v(t) - learning_rate * gradient
theta(t+1) = theta(t) + v(t+1)
if `nesterov` is False, gradient is evaluated at theta(t).
if `nesterov` is True, gradient is evaluated at theta(t) + momentum * v(t),
    and the variables always store theta + m v instead of theta

本篇就到这里，下一篇继续。

参考资料

[1] https://ruder.io/optimizing-gradient-descent/index.html#gradientdescentvariants
[2] 数值优化（Numerical Optimization）学习系列-目录
[3] 知乎：常见的关于momentum的误解（上）
[4] 知乎：一文看懂常用的梯度下降算法
[5] 知乎：Nesterov加速和Momentum动量方法