神经网络优化器

本博客介绍了神经网络训练过程中的常见优化策略，并进行了分析和对比，包括梯度下降、小批量梯度下降、动量梯度下降、RMSProp、Adam 等。下面贴出的代码地址能帮助读者更详细地理解各优化器的实现过程，原理和功能。
代码地址： https://github.com/SkalskiP/ILearnDeepLearning.py

神经网络陷阱：
（1）局部极小值：优化器极易陷入局部极小值从而无法找到全局最优解。
（2）鞍点：当成本函数值几乎不再变化时，就会形成平原（plateau）。在这些点上，任何方向的梯度都几乎为零，使得函数无法逃离该区域。

梯度下降
公式如下：

超参数 α 表示学习率，代表算法每次迭代过程的前进步长。学习率的选择一定程度上代表了学习速度与结果准确率之间的权衡。选择步长过小不利于算法求解，且增加迭代次数。反之，选择步长过大则很难发现最小值。此外，该算法很容易受鞍点问题的影响。因为后续迭代过程的步长与计算得到的梯度成比例，所以我们无法摆脱 plateau。且每次迭代过程都要用到整个数据集，不适用于大样本网络。
解决方法：小批量梯度下降，即将完整数据集切分成许多小批量以完成后续训练。

动量梯度下降
动量梯度下降利用指数加权平均，来避免成本函数的梯度趋近于零的问题。简单说，允许算法获得动量，这样即使局部梯度为零，算法基于先前的计算值仍可以继续前进。所以，动量梯度下降几乎始终优于纯梯度下降。
然而，动量梯度下降的不足之处在于，每当临近最小点，动量就会增加。如果动量增加过大，算法将无法停在正确位置。

RMSProp
RMSProp（Root Mean Squared Propagation）是另一种改善梯度下降性能的策略，是最常用的优化器。该算法也使用指数加权平均。而且，它具备自适应性──其允许单独调整模型各参数的学习率。后续参数值基于为特定参数计算的之前梯度值。
其公式如下：

顾名思义，每次迭代我们都要计算特定参数的成本函数的导数平方。此外，使用指数加权平均对近期迭代获取值求平均。最终，在更新网络参数之前，相应的梯度除以平方和的平方根。这表示梯度越大，参数学习率下降越快；梯度越小，参数学习率下降越慢。该算法用这种方式减少振荡，避免支配信号而产生的噪声。为了避免遇到零数相除的情况（数值稳定性），我们给分母添加了极小值 ɛ。
该优化器的缺点是：由于每次迭代过程中公式的分母都会变大，学习率会逐渐变小，最终可能会使模型完全停止。

Adam
Adam应用广泛且表现不俗，其利用了 RMSProp 的最大优点，且与动量优化思想相结合，形成快速高效的优化策略。然而，随着优化方法有效性的提高，计算复杂度也会增加。