⚡终于！！！
⚡终于又有时间学习Deep Learning了⚡！
30天ML计划，一起加油！！！
https://blog.csdn.net/weixin_44333889/category_11271153.html《专栏》

在训练NN的时候，有哪些Optimizers可以优化更快的找到global Minima？

下面我们来看下有哪些方法可以优化求解。

Background

在训练神经网路的时候，最开始我们是用的Gradient Descent（梯度下降法，GD）来求解，但是会出现很多问题，面临大量的数据的时候，GD会出现local Minima，而且求解速度会下降。

关于GD+Momentum，可以看这个介绍简单易懂。

整个技术的发展路线如下：

• SGD 【Cauchy，1847】
• SGD with momentum 【Rumelhart，et al.，Nature’1986】

上面两个是远古时期的优化求解方法，其实放到现在来看，依旧还是很有效果。

如下面这些就是SGDM训练出来的，

目前比较常用的是下面三个Optimizers：

• Adagrad 【Duchi，et al. JMLR’11 2011】
• RMSProp 【Hinton，et al. Lecture slides, 2013】
• Adam 【kingma，et al. ICLR’15 2014】

借用一下李老师（台大，李宏毅）的PPT。

SGD，stochastic gradient descent。也就是最普通的方法，如下图所示

SGD就像图中的更新方式一样，随机找到一个起始点，对其求梯度，然后在其梯度的反方向按照 η \eta η步长进行更新，找到下一个点，然后在不断的重复操作，直到找到Minima。

关于SGDM的更新方式如下图。可以看出，更新方式在SGD的基础上，增加了Momentum，而这个Momentum则是在一次梯度下降后，按照其算的梯度方向的反方向（图中 g 1 g^1 g1）和上一个更新方向的延长（图中 m 1 m^1 m1）的合成方向（图中 m 2 m^2 m2）的方向进行更新操作的。不断的进行更新，直到找到最优的解则停止。

Adagrad

Adagrad（自适应梯度算法）。其基本思想是，对每个参数theta自适应的调节它的学习率，自适应的方法就是对每个参数乘以不同的系数，并且这个系数是通过之前累积的梯度大小的平方和决定的，也就是说，对于之前更新很多的，相对就可以慢一点，而对那些没怎么更新过的，就可以给一个大一些的学习率。

Adagrad算法:

---

• 参数设置： ϵ \epsilon ϵ 为全局学习率；初始参数 θ \theta θ；较小的常数(超参数，自己设定) δ \delta δ，为了数值稳定大约设置为 1 0 − 7 10^{-7} 10−7
• 初始化梯度累积变量 r = 0 r=0 r=0

接下来是循环迭代更新

while 没有达到停止准则 do

• 从训练集中采包含 m m m个样本 { x ( 1 ) , . . . , x ( m ) } \{x^{(1)},...,x^{(m)}\} {x(1),...,x(m)}的小批量，对应目标为 y ( i ) y^{(i)} y(i)
• 计算梯度： g ← 1 m ▽ θ Σ i L ( x ( 1 ) ; θ , y ( i ) ) g \leftarrow \frac{1}{m} \bigtriangledown _\theta\Sigma_i L(x^{(1)};\theta,y^{(i)}) g←m1​▽θ​Σi​L(x(1);θ,y(i))
• 累积平方梯度： r ← r + g ⊙ g r\leftarrow r+g \odot g r←r+g⊙g
• 计算更新： △ θ ← − ϵ δ + r ⊙ g \bigtriangleup \theta\leftarrow - \frac{\epsilon}{\delta+\sqrt{r}}\odot g △θ←−δ+r ​ϵ​⊙g（逐步元素地应用除和求平方根）
• 应用更新： θ ← θ + △ θ \theta\leftarrow \theta+\bigtriangleup \theta θ←θ+△θ

end
(结束优化更新)

---

以上就为Adagrad算法的内容。

Python实现代码：

import numpy as np

class Adagrad:
    def __init__(self, learning_rate=0.01):
        self.learning_rate = learning_rate    # 学习率设置为0.01
        self.fg = None  
        self.delta = 1e-07                   # 设置1e-07微小值避免分母为0
        
    def update(self, params, grads):     # 更新操作
        if self.fg is None:
            self.fg = {}               # 设为空列表
            for key, value in params.items():
                self.fg[key] = np.zeros_like(value)   # 构造一个矩阵

        for key in params.keys():        # 循环迭代
            self.fg[key] += grads[key] * grads[key]     
            params[key] -= self.learning_rate * grads[key] / (np.sqrt(self.fg[key]) + self.delta) 

RMSProp

RMSProp算法实则为对Adagrad的一个改进，也就是把Adagrad对历史梯度加和变成了对历史梯度求均值，再利用这个均值代替Adagrad累加的梯度和对当前梯度进行加权，并用来update更新。

用均值代替求和是为了解决Adagrad的学习率逐渐消失的问题。

（图片源自网络）

有位大佬的解释更加清晰，可跳转此处。

def RMSprop(x, y, step=0.01, iter_count=500, batch_size=4, alpha=0.9, beta=0.9):
    length, features = x.shape
    data = np.column_stack((x, np.ones((length, 1))))
    w = np.zeros((features + 1, 1))
    Sdw, v, eta = 0, 0, 10e-7
    start, end = 0, batch_size
    
    # 开始迭代
    for i in range(iter_count):
        # 计算临时更新参数
        w_temp = w - step * v
        
        # 计算梯度
        dw = np.sum((np.dot(data[start:end], w_temp) - y[start:end]) * data[start:end], axis=0).reshape((features + 1, 1)) / length        
        
        # 计算累积梯度平方
        Sdw = beta * Sdw + (1 - beta) * np.dot(dw.T, dw)
        
        # 计算速度更新量、
        v = alpha * v + (1 - alpha) * dw
        
        # 更新参数
        w = w - (step / np.sqrt(eta + Sdw)) * v
        start = (start + batch_size) % length
        if start > length:
            start -= length
        end = (end + batch_size) % length
        if end > length:
            end -= length
    return w

Adam

最后讲讲Adam（自适应矩估计 Adaptive moment estimation），因为目前是比较强的，下面这些都是由Adam训练出来的，

看一下Adam和SGDM的准确率对比（源自论文）

由于Adam的提出的地方有一些突兀，并非在论文或会议，能找到的最原始的出处也只有下面了，看一下他的更新方式吧，相当于一个优化参数的更新模块。

简单翻译一下上面的更新步骤：

首先，参数设置： g t 2 = g t ⊙ g t g_t^2=g_t \odot g_t gt2​=gt​⊙gt​，默认测试的学习率（LR） α = 0.001 \alpha=0.001 α=0.001，各种超参数 β 1 = 0.9 、 β 2 = 0.999 、 ϵ = 1 0 − 8 \beta _1=0.9、\beta_2=0.999、\epsilon =10^{-8} β1​=0.9、β2​=0.999、ϵ=10−8

1. α \alpha α: 步长（Stepsize）亦或学习率
2. β 1 , β 2 ∈ [ 0 , 1 ] \beta _1,\beta _2\in[0,1] β1​,β2​∈[0,1]:矩估计的指数衰减率
3. f ( θ ) f(\theta) f(θ):参数 θ \theta θ 的随机目标函数值
4. θ 0 \theta_0 θ0​: 初始参数向量{ m 0 ← 0 m_0 \leftarrow0 m0​←0:（初始化第一权值向量）、 v 0 ← 0 v_0\leftarrow0 v0​←0:（初始化第二权值向量）、 t ← 0 t\leftarrow0 t←0:（初始化时变步长）}

下面为约束，当且仅当 θ t \theta_t θt​ 不收敛的时候执行以下操作：

• t ← t + 1 t\leftarrow t+1 t←t+1
• g t ← ▽ θ f t ( θ t − 1 ) g_t \leftarrow \bigtriangledown _{\theta}f_{t}(\theta_{t}-1) gt​←▽θ​ft​(θt​−1) ：(获得新一轮更新的梯度值（参数 t t t 是上次刚更新的步长）)
• m t ← β 1 ⋅ m t − 1 + ( 1 − β 1 ) ⋅ g t m_t \leftarrow \beta_1\cdot m_{t-1}+(1-\beta_1)\cdot g_t mt​←β1​⋅mt−1​+(1−β1​)⋅gt​：(更新带偏差的第一权重估计值)
• v t ← β 2 ⋅ v t − 1 + ( 1 − β 1 t ) ⋅ g t 2 v_t\leftarrow\beta_2 \cdot v_{t-1}+(1-\beta_1^t)\cdot{g_t^2} vt​←β2​⋅vt−1​+(1−β1t​)⋅gt2​:（更新带偏差的第二原始权重估计值）
• m t ^ ← m t / ( 1 − β 2 t ) \hat {m_t}\leftarrow m_t / (1-\beta_2^t) mt​^​←mt​/(1−β2t​):（计算偏差校正后的第一权重估计值）
• v t ^ ← v t / ( 1 − β 2 t ) \hat {v_t}\leftarrow v_t/(1-\beta_2^t) vt​^​←vt​/(1−β2t​):（计算偏差校正后的第二原始权重估计值）
• θ t ← θ t − 1 − α ⋅ m t ^ / ( v t ^ + ϵ ) \theta_t\leftarrow \theta_{t-1}-\alpha \cdot \hat{m_t}/(\sqrt{\hat{v_t}}+\epsilon) θt​←θt−1​−α⋅mt​^​/(vt​^​ ​+ϵ):（更新 θ \theta θ 参数值）

到此参数优化结束。

返回 θ t \theta_t θt​ 的值。

Adam 的Python代码有大佬已经开源了：

• https://github.com/yzy1996/Python-Code/blob/master/Algorithm/Optimization-Algorithm/Adam.py
• https://github.com/sagarvegad/Adam-optimizer/blob/master/Adam.py

如果不想转链接，这里直接附上了：

import math

alpha = 0.01
beta_1 = 0.9
beta_2 = 0.999						# 初始化参数的值
epsilon = 1e-8
def func(x):
	return x*x -4*x + 4
def grad_func(x):					# 计算梯度
	return 2*x - 4
theta_0 = 0						# 初始化向量
m_t = 0 
v_t = 0 
t = 0

while (1):					# 循环直到它收敛
	t+=1
	g_t = grad_func(theta_0)		# 计算随机函数的梯度
	m_t = beta_1*m_t + (1-beta_1)*g_t	# 更新梯度的移动平均线
	v_t = beta_2*v_t + (1-beta_2)*(g_t*g_t)	# 更新平方梯度的移动平均线
	m_cap = m_t/(1-(beta_1**t))		# 计算偏差校正后的估计
	v_cap = v_t/(1-(beta_2**t))		# 计算偏差校正后的估计
	theta_0_prev = theta_0								
	theta_0 = theta_0 - (alpha*m_cap)/(math.sqrt(v_cap)+epsilon)	# 更新参数
	if(theta_0 == theta_0_prev):		# 检查是否收敛
		break

总而言之，这个优化器目前是处于机器学习中最强的优化地位。

其实，对于不同的数据集或许会有所偏差，在不同的优化时间段，前中后期，各个优化器的准确率会有所波动，如下（源自论文）准确率测试图：

所以，不经感叹道，搞优化求解，真的是一门玄学啊，老的方法不一定在现在没有用，新的方法不一定适用于所以场景，找到最适合的方法才是真的有效的。相信在科技如此发达的现在及以后，会有更多的优化求解算法，推进人类进步，而不仅仅是从硬件上提升运算速度。

Recommend

推荐一本书，对于没学过最优控制或者最优化方法的小伙伴，会是一个很好地入门书籍。

《最优化计算方法》

真不是打广告，真诚推荐！！！

References

• https://github.com/Fafa-DL/Lhy_Machine_Learning

❤坚持读Paper，坚持做笔记，坚持学习❤！！！
⚡To Be No.1

⚡⚡哈哈哈哈

学习DeepLearning坚持！30天计划！！！

打卡 第 4 /30 Day!!!

---

⚡创作不易⚡，过路能❤关注、收藏、点个赞❤三连就最好不过了

ღ( ´･ᴗ･` )

❤

『
Make the choice to be happy. The biggest part of being happy is to simply make up your mind to be a happy person.
』