Adam优化器总结

根据李宏毅老师的课程，将梯度下降的常见训练优化思路和Adam的内容做简单的梳理。

梯度下降的基本方法是：朝着参数$\theta$的当前梯度$g$的反方向，以$\eta$为步长迈出一步。

一个常见的问题就是梯度下降容易落入局部最小值，因此有了Momentum（动量） 的概念。仿照现实世界中物体的惯性，在运动时不仅要看当前这一步往哪里迈，还要考虑之前的运动状态，如果之前的步伐很快，就不应该在一步内急停或者急转弯。这样做的好处是可以跳出一些小坑（局部最小值）。

动量的实现方法也不复杂，就是将前一步的步伐$m$乘上一个参数$\lambda$与当前本来应该走的步伐$-\eta g$结合（向量相加），共同决定下一步的走向。$\lambda$相当于惯性大小，大的$\lambda$相当于胖子，运动状态更不容易改变。

梯度下降的另一个问题是超参数$\eta$很重要但不好定，定小了学习太慢，定大了反复横跳不收敛。

为了找到最低点，我们一般希望在梯度平缓的方向上，步子可以迈得大一点，在梯度陡峭的地方，步子就收着点。于是我们用$\eta$除以一个$\sigma$来调整步长，这个$\sigma$对不同的参数是不同的，而且在训练中，是随着iteration更新的。

在Adagrad中，用的是之前所有梯度的RootMeanSquare（均方根）来计算这个$\sigma$。

这个思路很直白，就是如果该参数之前的梯度都比较小，那么$\sigma$就比较小，迈出的步子就大，反之亦然。
这种算法的问题是将之前的梯度值都默认为差不多，平缓的一直平缓，陡峭的一直陡峭，但实际不是这样子的，哪怕是同一个参数，同一个梯度方向，它的梯度值也可以骤变，这就导致了对步长的调整不太合理也不及时。

针对这个问题，RMSProp增加了一个超参数$\alpha$，这种计算梯度均值的方式其实就是指数移动平均（EMA），它更能稳定地反映梯度变化情况，且可以通过$\alpha$来调节对之前梯度和当前梯度的重视程度。比如当$\alpha$趋近0的时候，说明$\sigma$的计算只取决于当前的梯度，不考虑之前梯度的影响。此时的$\sigma$就变得很灵敏，遇到梯度骤变的情况就能迅速反应过来了。

Adam = RMSProp+Momentum

另外对学习率$\eta$可以有一些schedule，一般是各种衰减方式，随着逐渐接近最低点而减小步伐。很多时候我们发现加上WarmUp的技巧效果更好，WarmUp可以理解为一开始先用小的学习率进行探索，先摸清附近的梯度情况，以此获得合理的$\sigma$信息后再加大步伐。