优化算法SGD与Adam

说来惭愧，一直在用的两个经典的优化器，几行代码就完成了参数更新，但是却一直没有深入的了解其中的原理。

improt torch
...
optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
...
optimizer.zero_grad()
...
optimizer.step()

首先贴一下pytorch的官方文档

torch.optim — PyTorch 1.8.0 documentation

不同的优化器都采用相同的参数更新步骤，即

1.计算损失函数对于当前参数的梯度: 

2.根据历史梯度计算一阶和二阶动量

3.根据当前时刻的梯度，一阶和二阶动量，学习率计算当前时刻的下降梯度：

4.根据当前时刻的下降梯度更新参数：

其中：  为待优化参数，  为损失函数，  为学习率。

那么我们如何计算一阶和二阶动量呢？

SGD

对于最经典的SGD算法，  ,  。也就是没有用到动量的概念，朴实无华。

对于带动量的SGD，，  。也就是一阶动量不仅要考虑当前时刻的梯度，还考虑到了上一时刻的动量。就像是一辆车，上一时刻在全速向前，这一时刻要刹车，但是不可能立刻停下来。

Adam

Adam算法引入了二阶动量的概念，二阶动量是什么呢，是历史动量的平方和，可以理解为这个参数他更新的频率大小，二阶动量大就说明这个参数经常更新，我们就希望这个经常更新的参数可以慢一点更新，很少更新的参数每次更新的步子就大一点，但是如果选取历史动量的平方和，随着时间的累计这个值会特别大，导致下降梯度近似于0，无法继续训练，于是我们定义如下，在加上之前SGD的一阶动量，就构成了Adam算法的核心。

参考资料：

一个框架看懂优化算法之异同 SGD/AdaGrad/Adam - 知乎 (zhihu.com)

从动量和矩的角度探讨优化理论的内涵(以动量法、AdaGrad和Adam举例) - 知乎 (zhihu.com)