简单介绍神经网络中不同优化器的数学原理及使用特性【含规律总结】

当涉及到优化器时，我们通常是在解决一个参数优化问题，也就是寻找能够使损失函数最小化的一组参数。当我们在无脑用adam时，有没有斟酌过用这个是否合适，或者说凭经验能够有目的性换用不同的优化器？是否用其他的优化器可以更好的解决问题？那我就介绍解释几种常用的优化器的基本原理：

1. 随机梯度下降（SGD）：

   SGD 是最基本的优化算法之一。它通过计算当前位置的梯度（即损失函数对参数的导数），然后朝着梯度的反方向更新参数。数学上可以表示为：

   $w=w-\alpha \cdot \nabla J(w)$

   其中，$w$ 是待优化的参数，$\alpha$ 是学习率， $\nabla J(w)$ 是损失函数关于参数的梯度。

2. 动量优化器（Momentum）：

   Momentum 在 SGD 的基础上引入了动量项，它可以理解为模拟物体在空间中运动的物理量。这个动量项会考虑之前的更新，从而使更新方向在一定程度上保持一致。数学上可以表示为：

   $v=\beta \cdot v+(1-\beta )\cdot \nabla J(w)$

   $w=w-\alpha \cdot v$

   其中，$v$ 是动量，$\beta$ 是动量因子，控制之前更新的影响程度。

3. AdaGrad：

   AdaGrad 是自适应学习率的一种算法。它会根据参数的历史梯度调整学习率，使得对于稀疏数据来说可以使用一个更大的学习率，而对于频繁出现的数据则会使用较小的学习率。数学上可以表示为：

   $w=w-\frac{\alpha }{\sqrt{G+ϵ}}\cdot \nabla J(w)$

   其中，$G$ 是梯度的平方和的累积，$ϵ$ 是一个很小的数，防止除零错误。

4. RMSprop：

   RMSprop 是 AdaGrad 的一个变体，它引入了一个衰减系数 $\beta$，用来控制历史梯度的权重。这使得 RMSprop 更加平滑地调整学习率。数学上可以表示为：

   $G=\beta \cdot G+(1-\beta )\cdot (\nabla J(w){)}^2$

   $w=w-\frac{\alpha }{\sqrt{G+ϵ}}\cdot \nabla J(w)$

   其中，$G$ 是平方梯度的指数加权移动平均。

5. Adam：

   Adam 结合了 Momentum 和 RMSprop 的特性，是一种同时考虑动量和自适应学习率的优化器。它可以动态地调整每个参数的学习率，并且可以保持更新方向的一致性。Adam 还引入了偏差修正，以解决初始训练时的偏差问题。数学上可以表示为：

   $m={\beta }_1\cdot m+(1-{\beta }_1)\cdot \nabla J(w)$

   $v={\beta }_2\cdot v+(1-{\beta }_2)\cdot (\nabla J(w){)}^2$

   $\hat{m}=\frac{m}{1-{\beta }_1^t}$

   $\hat{v}=\frac{v}{1-{\beta }_2^t}$

   $w=w-\frac{\alpha }{\sqrt{\hat{v}+ϵ}}\cdot \hat{m}$

   其中，$m$ 和 $v$ 分别是动量和平方梯度的移动平均，${\beta }_1$​ 和 ${\beta }_2$​ 是衰减系数，$t$ 是当前迭代次数，$ϵ$ 是避免除零错误的小数。

---

其实，每种优化器都有其适用的场景，具体的选择需要根据问题的特性和实际实验的结果来决定。
如果你真的对优化器的数学原理不感冒，只是一个最小白的神经网络构建者，那么我尝试总结几条，最浅显易懂的优化器特征，以供查阅：

1. 随机梯度下降（SGD）：这是最基本的优化算法之一，它在每个训练步骤中沿着梯度的反方向更新权重。它有时候可能需要更多的调参工作来获得好的性能。

2. 动量优化器（Momentum）：当需要考虑前一次梯度调整对后续修正的影响时，这个方法不错。Momentum 的参数 momentum 控制了之前梯度的影响程度，一般取值在 0.8 到 0.9 之间。

3. Adagrad：Adagrad 会为不经常更新的参数提供更大的学习率，适合处理稀疏数据。

4. RMSprop：与 Adam 类似，RMSprop 也是自适应学习率的一种算法。在一些情况下，它可能会比 Adam 更好。

5. Adam：Adam 通过自适应调整学习率来提高训练效率。它通常对于大多数问题都是一个良好的默认选择。

6. Adadelta：Adadelta 是一种自适应学习率的优化器，可以自动调整学习率。

7. Nadam：Nadam 是结合了 Nesterov 动量的 Adam 变体，通常在训练深度神经网络时表现良好。

8. FTRL：FTRL 是针对线性模型优化的一种算法，对于大规模线性模型可以很有效。

---

联系我 交流请署名