深度学习优化方法总结比较（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam）

作者丨ycszen

来源｜https://zhuanlan.zhihu.com/p/22252270

编辑丨极市平台

导读

 

本文仅对一些常见的优化方法进行直观介绍和简单的比较。

前言 

本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。

SGD 

此处的SGD指mini-batch gradient descent，关于batch gradient descent, stochastic gradient descent, 以及 mini-batch gradient descent的具体区别就不细说了。现在的SGD一般都指mini-batch gradient descent。 

SGD就是每一次迭代计算mini-batch的梯度，然后对参数进行更新，是最常见的优化方法了。即：

其中，是学习率，是梯度 SGD完全依赖于当前batch的梯度，所以 可理解为允许当前batch的梯度多大程度影响参数更新 

缺点：（正因为有这些缺点才让这么多大神发展出了后续的各种算法） 

选择合适的learning rate比较困难 - 对所有的参数更新使用同样的learning rate。对于稀疏数据或者特征，有时我们可能想更新快一些对于不经常出现的特征，对于常出现的特征更新慢一些，这时候SGD就不太能满足要求了

SGD容易收敛到局部最优，并且在某些情况下可能被困在鞍点【原来写的是“容易困于鞍点”，经查阅论文发现，其实在合适的初始化和step size的情况下，鞍点的影响并没这么大。感谢@冰橙的指正】

Momentum

momentum是模拟物理里动量的概念，积累之前的动量来替代真正的梯度。公式如下：

其中，是动量因子

特点:

• 下降初期时，使用上一次参数更新，下降方向一致，乘上较大的能够进行很好的加速 

• 下降中后期时，在局部最小值来回震荡的时候，， 使得更新幅度增大，跳出陷阱 
  

• 在梯度改变方向的时候，能够减少更新 总而言之，momentum项能够在相关方向加速SGD，抑制振荡，从而加快收敛
  

Nesterov

nesterov项在梯度更新时做一个校正，避免前进太快，同时提高灵敏度。将上一节中的公式展开可得：

可以看出， 并没有直接改变当前梯度，所以Nesterov的改进就是让之前的动量直接影响当前的动量。即： 

所以，加上nesterov项后，梯度在大的跳跃后，进行计算对当前梯度进行校正。如下图：

momentum首先计算一个梯度(短的蓝色向量)，然后在加速更新梯度的方向进行一个大的跳跃(长的蓝色向量)，nesterov项首先在之前加速的梯度方向进行一个大的跳跃(棕色向量)，计算梯度然后进行校正(绿色梯向量) 

其实，momentum项和nesterov项都是为了使梯度更新更加灵活，对不同情况有针对性。但是，人工设置一些学习率总还是有些生硬，接下来介绍几种自适应学习率的方法 

Adagrad 

Adagrad其实是对学习率进行了一个约束。即： 

此处，对从1到进行一个递推形成一个约束项regularizer，  ， e用来保证分母非0 

特点：

• 前期较小的时候， regularizer较大，能够放大梯度 

• 后期较大的时候，regularizer较小，能够约束梯度 

• 适合处理稀疏梯度 

缺点：

由公式可以看出，仍依赖于人工设置一个全局学习率 

设置过大的话，会使regularizer过于敏感，对梯度的调节太大 

中后期，分母上梯度平方的累加将会越来越大，使，使得训练提前结束 

Adadelta 

Adadelta是对Adagrad的扩展，最初方案依然是对学习率进行自适应约束，但是进行了计算上的简化。Adagrad会累加之前所有的梯度平方，而Adadelta只累加固定大小的项，并且也不直接存储这些项，仅仅是近似计算对应的平均值。即：  

在此处Adadelta其实还是依赖于全局学习率的，但是作者做了一定处理，经过近似牛顿迭代法之后： 

其中，代表求期望。 

此时，可以看出Adadelta已经不用依赖于全局学习率了。 

特点：

• 训练初中期，加速效果不错，很快 

• 训练后期，反复在局部最小值附近抖动 

RMSprop 

RMSprop可以算作Adadelta的一个特例：

当时，就变为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)： 

此时，这个RMS就可以作为学习率的一个约束： 

特点：

• 其实RMSprop依然依赖于全局学习率 

• RMSprop算是Adagrad的一种发展，和Adadelta的变体，效果趋于二者之间

• 适合处理非平稳目标 - 对于RNN效果很好 

Adam 

Adam(Adaptive Moment Estimation)本质上是带有动量项的RMSprop，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。公式如下： 

其中，，分别是对梯度的一阶矩估计和二阶矩估计，可以看作对期望，的估计；，是对 ， 的校正，这样可以近似为对期望的无偏估计。可以看出，直接对梯度的矩估计对内存没有额外的要求，而且可以根据梯度进行动态调整，而 对学习率形成一个动态约束，而且有明确的范围。

特点：

• 结合了Adagrad善于处理稀疏梯度和RMSprop善于处理非平稳目标的优点 

• 对内存需求较小 

• 为不同的参数计算不同的自适应学习率 

• 也适用于大多非凸优化 - 适用于大数据集和高维空间 

Adamax 

Adamax是Adam的一种变体，此方法对学习率的上限提供了一个更简单的范围。公式上的变化如下： 

可以看出，Adamax学习率的边界范围更简单

Nadam 

Nadam类似于带有Nesterov动量项的Adam。公式如下： 

可以看出，Nadam对学习率有了更强的约束，同时对梯度的更新也有更直接的影响。一般而言，在想使用带动量的RMSprop，或者Adam的地方，大多可以使用Nadam取得更好的效果。 

经验之谈 

对于稀疏数据，尽量使用学习率可自适应的优化方法，不用手动调节，而且最好采用默认值 SGD通常训练时间更长，但是在好的初始化和学习率调度方案的情况下，结果更可靠 如果在意更快的收敛，并且需要训练较深较复杂的网络时，推荐使用学习率自适应的优化方法。Adadelta，RMSprop，Adam是比较相近的算法，在相似的情况下表现差不多。 在想使用带动量的RMSprop，或者Adam的地方，大多可以使用Nadam取得更好的效果

最后展示两张可厉害的图，一切尽在图中啊，上面的都没啥用了... ... 

 损失平面等高线 

在鞍点处的比较

引用：

[1]Adagrad（http://www.jmlr.org/papers/volume12/duchi11a/duchi11a.pdf）

[2]RMSprop[Lecture 6e]

（http://www.cs.toronto.edu/~tijmen/csc321/lecture_notes.shtml）

[3]Adadelta（http://arxiv.org/abs/1212.5701）

[4]Adam（http://arxiv.org/abs/1412.6980v8）

[5]Nadam（http://cs229.stanford.edu/proj2015/054_report.pdf）

[6]On the importance of initialization and momentum in deep learning

（http://www.cs.toronto.edu/~fritz/absps/momentum.pdf）

[7]Keras中文文档（http://keras-cn.readthedocs.io/en/latest/）

[8]Alec Radford(https://twitter.com/alecrad)

[9]An overview of gradient descent optimization algorithms

（http://sebastianruder.com/optimizing-gradient-descent/）

[10]Gradient Descent Only Converges to Minimizers

（http://www.jmlr.org/proceedings/papers/v49/lee16.pdf）

[11]Deep Learning:Nature

（http://www.nature.com/nature/journal/v521/n7553/abs/nature14539.html）

本文仅做学术分享，如有侵权，请联系删文。

重磅！计算机视觉工坊-学习交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有ORB-SLAM系列源码学习、3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、深度估计、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~