《On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima》-ICLR2017文章阅读

这是一篇发表在ICLR2017上面的文章。

这篇文章探究了深度学习中一个普遍存在的问题——使用大的batchsize训练网络会导致网络的泛化性能下降（文中称之为Generalization Gap）。文中给出了Generalization Gap现象的解释：大的batchsize训练使得目标函数倾向于收敛到sharp minima（类似于local minima），sharp minima导致了网络的泛化性能下降，同时文中给出了直观的数据支持。而小的batchsize则倾向于收敛到一个flat minima，这个现象支持了大家普遍认为的一个观点：小的batchsize存在固有噪声，这些噪声影响了梯度的变化。文中还给出了一些方法去尝试消除Generalization Gap现象。

论文地址：https://openreview.net/pdf?id=H1oyRlYgg

1：背景介绍
一般的深度学习算法都是通过优化一个目标函数来训练网络参数的，这是一个非凸的优化问题。整个过程可以表达为下面的式子：

f(x)是损失函数。SGD是一种常见的优化方法：

Bk是batchsize的大小，一般取值{32,64，…,512}，经过实践的检验，这些常见的batchsize大小设置可以有以下的优点：
1：收敛到凸函数的最小值点以及非凸函数的驻点；
2：避免鞍点的出现；
3：对输入数据具有鲁棒性。
SGD的主要缺点——并行化困难，一个常见方法是增大batchsize，然而这导致了Generalization Gap的出现。

作者观察到Generalization Gap的出现是和大batchsize训练时候的最优值的锐度（sharpness）相关的，后面的工作为这个现象提供实验支持，并且尝试解决Generalization Gap这个问题。

2：大Batch方法的缺点
首先，大Batch方法与小Batch方法在训练的时候实际上得到的目标函数的值是差不多的，这个现象的可能原因有下面几点（LB=Large-Batch；SB=Small-Batch）：
1：LB方法过度拟合模型;
2：LB方法被吸引到鞍点;
3：LB方法缺乏SB方法的探索性质，并倾向于放大最接近初始点的最小值;
4：SB和LB方法收敛到具有不同泛化特性的定性不同的最小化。
文章主要研究上面的3、4两点可能原因。

作者认为大Batch方法之所以出现Generalization Gap问题，原因是大Batch方法训练时候更容易收敛到sharp minima，而小Batch的方法则更容易收敛到flat minima。并且大Batch方法不容易从这些sharp minima的basins中出来。下图给出了sharp minima和flat minima的一个示意图。

sharp minima的存在是导致Generalization Gap出现的最重要原因，如下图所示：

下面作者进行了一系列可视化的数据实验来验证上面的观点：首先，Table1是作者选用的几种网络结构以及数据集。其中C1和C3是Alex-Net结构，C2和C4是Google-Net结构。

实验用到的数据库：

其中，TIMIT是一个语音识别的数据库。

考虑到文章的目的是探索LB和SB方法的最小值的性质，而不是追求state-of-art或者是时间消耗，最终的实验结果是用最后的testing accuracy来表示的。

实验中LB方法的Batchsize定义为整个数据集的10%，SB方法的Batchsize定义为256。优化器使用ADAM（ADAGRAD、adaQN等几个方法得到的结论是类似的）。损失函数使用的是交叉熵形式。

对应Table1中6个网络的实验的结果如table2所示。可以看到，SB和LB两种算法在Training阶段取得的结果非常相近，而Testing阶段LB方法明显出现了Generalization Gap的现象。

这里再一次强调，LB方法出现的Generalization Gap现象并不是过拟合造成的，这可以由figure2的图看出，这个F2和C1网络的训练-测试曲线，提前停止训练（防止过拟合）的方法对这个实验并没有帮助。

Figure3给出的是一维的参数曲线，Xs和Xl分别表示SB和LB方法在ADAM优化器中得到的预测结果，其中 α 在-1到2之间：

α =0对应SB方法的最小值，alpha=1对应LB方法的最小值。可以看到LB方法的最优值明显比SB方法的最优值锋利（sharpness）得多:

上面figure3给出的只是目标函数的一个现行切分，figure7则给出了一个非线性切分的结果图：

可以观察到此时的LB与SB方法的锐度（sharpness）区别更为明显。

上面所做的工作对于sharpness的应用和解释都是比较松弛的，事实上，sharpness的定义可以由目标函数的Hessian矩阵计算，但是神经网路的Hessian矩阵计算非常困难。下面作者介绍了一个锋利度sharpness的数学定义，虽然不完美，但是计算开销上是具有可行性的，这个定义只在最优值的一个邻域内计算，但是考虑到最优值可能在多个方向上得到，作者给出了两种方案：一是在整个空间上面Rn进行优化过程，二是在一个随机大小的子空间上面进行优化。这里作者给出了一个矩阵A（n*p）的概念，A是一个在全空间随机抽样产生的矩阵，列数p就是随机产生的子空间维数，文中设置为p=100。

（3）式是一个范围限定集，（4）式就是本文中对于锋利度sharpness的数学定义。

Table3、4是文中对于六个网络结构的优化过程中的锋利度sharpness的计算结果。其中table3表示了整个空间上的最小值锋利度，而table4则是子空间（100维）。

作者还指出，sharp minima并不出现在所有方向上，根据作者的实验观察，只有5%的子空间上会出现，在其他方向上，minima相对比较flat。

3：小Batch方法的优点

事实上关于batchsize的选择是存在一个阈值的，batchsize大于这个阈值会导致模型质量的退化。这个现象可以由figure4看出来，figure4中的F2的约15000和C1的约500，大于这个阈值网络准确度大幅下降。

现在思考一下SB方法的原理，它使用的梯度具有内在的噪声，从实验以及经验来看，这些噪声使得SB方法的minimum在到达一个相对sharp的区域时，能够将最优值推出去，到达一个相对flat的区域，而这些噪声不足以将一个本来就很flat的minimum推出去。而LB方法明显大于上面所说的阈值的时候，梯度内存在的噪声不足以将minimum推出sharp区域。

下面作者又做了这样一个实验：用256的小batch训练一个网络100个epoch，每一个epoch以后保留迭代的结果，将这100个结果作为LB大一个起始训练点，称之为piggybacked LB。

Figure5给出了实验的结果，起始几个epoch时候SB或者是piggybacked LB都还没有完成各自的优化过程，所以test accuracy都比较低，sharpness比较高。当到达一定数量的训练epoch时候，两个方法的sharpness都下降了，test accuracy都提高，这个时候说明SB已经完成了它的“探索”过程，找到了一个比较flat的minimum，并且引导piggybacked LB的LB也收敛到这个比较flat的minimum。

还有一点推测是LB方法倾向于被初始点X0附近的minima吸引，SB方法则会相对原理这些初始点附近的minima，作者的实验支持了这个猜想，他们观察到：小batch的最优值与起始点的距离是大batch的最优点与起始点距离的3到10倍。

作者下面还给出了figure6这样一个sharpness随着loss变化的曲线，从中我们可以看出，当一开始loss比较大的时候，LB和SB方法的sharpness的差不多的，然而随着loss的减少（优化过程），LB的sharpness逐渐增加，SB的sharpness逐渐减少，最终到一个flat的minimum。

4：对大Batch方法尝试改进

这部分作者尝试对大batch方法泛化性能差的现象进行改进，和之前的实验设置一样，仍然选用10%的数据集大小作为LB方法，256的batchsize作为SB方法，优化器选用ADAM优化器。

4.1 数据增强

数据增强是一个针对数据库domain specific的过程，这部分实验作者训练了C1到C4四个image-based的CNN来说明问题。对于数据增强，作者使用的手段是水平映射（horizontal reflection）、随机旋转至10°、随机平移到图像尺寸的0.2倍。
table6所示是数据增强后的结果，可以看到数据增强的LB方法可以达到和SB方法（也在训练时候做过数据增强）差不多的预测精度，但是sharpness仍然较高，表明数据增强并没有改变LB方法存在的sharp minima的现象。

4.2 CONSERVATIVE TRAINING

2014年文章【Mu Li, Tong Zhang, Yuqiang Chen, and Alexander J Smola. Efficient mini-batch training for stochastic optimization. In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining】中作者曾今证明过优化下面一个式子可以使得SGD算法的LB方法的收敛率得到改善：

这个策略的动机是：为了更加充分地利用大batch方法中的每一个batch，每一个batch需要“不精确地”计算3-5次梯度的迭代，这个做法不仅提高了SGD的收敛率，并且在凸优化过程中取得了很好的经验效果，作者将这个想法用到了CNN优化这个非凸的问题上来。

Table7是CONSERVATIVE TRAINING的实际效果。同上面的数据增强方法一样，这个做法使得网络的泛化性能得到一定改善，但是sharpness仍然存在。

4.3 ROBUST TRAINING

所谓的ROBUST TRAINING，其实是通过优化一个最坏情况下的cost，而不是常规的cost。从数学角度来说，是通过优化下面的式子来实现的：

Figure8很直观的解释了ROBUST TRAINING的数学含义。

考虑到计算上面的式子在CNN的优化过程中并不现实（计算量），这涉及到一个large-scale second-order conic program(SOCP)问题（我也不知道这是个啥问题。。）。

在深度学习中，robustness的概念可以分为两个方面：即数据的robustness和优化过程的robustness。数据的robustness是吧CNN当成一个统计模型，而优化过程的robustness则是把CNN当成一个黑箱模型，而对于优化过程的robustness实际上就是对抗学习adversarial training。

对抗学习不同于数据增强对数据进行的那些常规操作，它是有目标的的增强对抗样本。但是很遗憾在本文作者的实验中，对抗学习的泛化性能以及sharpness和baseline非常接近。因此，这种方法也不能够解决sharp minima的现象。

5：结论与讨论

这篇文章中，作者给出了大batch优化过程中最优值倾向于收敛到sharp minima的数据实验支持，而sharp minima是导致网络泛化性能下降的重要原因（Generalization Gap）。作者通过提出一个锋利度sharpness的数学概念来表征sharp minima现象。同时，作者也给出了几种尝试去解决大batch方法的方案：数据增强、保守学习以及健壮学习，但是根据作者的实验，这几种方法虽然一定程度上提高了网络的泛化性能，但是sharp minima的现象依然存在。一个比较有希望的解决方案是dynamic sampling（动态采样），这个方法选取的batchsize随着迭代次数的增加会发生变化，这在文中的piggybacked LB实验中证明是可行的。

最近有很多学者也在研究一个loss surface的属性问题，他们的研究表明CNN在优化时确实存在很多个局部最优值，并且这些局部最优值的值大小非常接近。作者本文中发现sharp minimum和flat minimum的loss值其实也是非常接近的。

最后，文中也抛出了几个问题：
（a） 是否有人能够证明大batch的训练方法在神经网络的优化过程中严格收敛到sharp minima？
（b） 优化过程的sharp和flat两种minimum的密度如何？
（c） 是否有人能够设计出一种适合采用大的batch用来训练的CNN网络结构？
（d） 能够找到一种合适的初始化方法使得大batch的方法能够收敛到flat minimum上面去？
（e） 能够从一个算法的机制上面去找到一个算法，使得大batch方法远离sharp minima？