深度学习中多层全连接网络的梯度下降法及其变式

1 梯度下降法

• 梯度下降法的更新公式如下。
  
• 现在通过实际理论证明这样更新参数能够达到最优的效果。
• 希望求解下面这个方程。
  
• 也就是说，希望更新参数之后有下面的结果。
  
• 泰勒级数（Taylor Series）：对于任何一个无限可微函数h(x)，在一个点x=x0附近，有以下泰勒级数：
  
• 当x足够接近x0，有下面的近似：
  
• 对于多元泰勒级数，有以下公式：
  
• 同样当x和y足够接近x0和y0的时候，有以下近似：
  

2 梯度下降的变式

1.SGD

• 随机梯度下降法是梯度下降法的一个小变形，就是每次使用一批（batch）数据进行梯度的计算，而不是计算全部数据的梯度，因为深度学习的数据量都特别大，所以每次都计算所有数据的梯度是不现实的，这样会导致运算时间会特别长。
• 同时每次都计算全部的梯度还会失去一些随机性.容易陷入局部误差,所以使用随机梯度下降法,可能每次都不是朝着真正最小的方向,但是这样反而容易跳出局部极小点.

2.Momentum

• 第二种优化方法就是在随机梯度下降的同时，增加动量（Momentum）。这来自于物理中的概念，可以想象损失函数是一个山谷，一个球从山谷滑下来，在一个平坦的地势，球的滑动速度就会慢下来，可能会陷入一些鞍点或者局部极小值点。
  
• 这个时候给他增加动量，就可以让他从高处滑落时的势能转换为平地的动能，相当于惯性增加了小球在平地滑动的速度，从而帮其跳出鞍点或者局部极小点。
• 动量的计算基于前面的梯度，也就是说参数更新不仅仅基于前面的梯度，也基于之前的梯度。
  
• 对于动量，还有一个变形即Nesterov。在更新参数的时候需要计算梯度，传统的动量方法是计算当前位置的梯度，但是Nesterov的方法是计算经过动量更新之后的位置的梯度。

3.Adagrad

• 这是一种自适应学习率（adaptive）的方法，它的公式是：
  
• 学习率在不断变小，且受每次计算出来的梯度影响，对于梯度比较大的参数，它的学习率就会变得相对更小，里面的根号特别重要，没有这个根号算法表现非常差。
• 自适应学习率的缺点就是在某些情况下，一直递减的学习率并不好，这样会造成学习过早停止。

4.RMSprop

• 这是一个非常有效的自适应学习率的改进方法，公式如下。
  
  
• RMSprop不再会将前面所有的梯度平方求和，而是通过一个衰减率将其变小，使用了一种滑动平均的方式，越靠前面的梯度对自适应的学习率影响越小，这样就能更加有效避免Adagrad学习率一直递减太多的问题，能够更快的收敛。

5.Adam

• 这是一种综合型的学习方法，可以看成是RMSprop加动量（Momentum）的学习方法，达到比RMSprop更好的效果。

6.小结

• 以上介绍了多种基于梯度的更新方法，实际中可以使用Adam作为默认的优化算法，往往能够达到比较好的效果，同时SGD+Momentum的方法也值得尝试。