李宏毅机器学习课程笔记-6.4学习率调整方法
RMSProp
2013年Hinton在Coursera提出。
-
背景
RMSProp是Adagrad的升级版。
在训练神经网络时，损失函数不一定是凸函数（局部最小值即为全局最小值），可能是各种各样的函数，有时需要较大的学习率，有时需要较小的学习率，而Adagrad并不能实现这种效果，因此产生了RMSProp。
-
定义
\(w^{t+1}=w^t-\frac{\eta}{\sigma^t}g^t,\ \ (\sigma^0=g^0,\sigma^t=\sqrt{\alpha(\sigma^{t-1})^2+(1-\alpha)(g^t)^2})\)
其中\(w\)是某个参数；\(\eta\)是学习率；\(g\)是梯度；\(\alpha\)代表旧的梯度的重要性，值越小则旧的梯度越不重要。 -
神经网络中很难找到最优的参数吗？
面临的问题有plateau、saddle point和local minima。
英文 中文 梯度 plateau 停滞期 \(\frac{\partial L}{\partial w}\approx0\) saddle point 鞍点 \(\frac{\partial L}{\partial w}=0\) local minima 局部最小值 \(\frac{\partial L}{\partial w}=0\) 2007年有人（名字读音好像是young la ken）指出神经网络的error surface是很平滑的，没有很多局部最优。
假设有1000个参数，一个参数处于局部最优的概率是\(p\)，则整个神经网络处于局部最优的概率是\(p^{1000}\)，这个值是很小的。
Momentum
1986年提出
-
如何处理停滞期、鞍点、局部最小值等问题？
考虑现实世界中物体具有惯性、动量（Momentum）的特点，尽可能避免“小球”陷入error surface上的这几种位置。
-
定义
如下图所示，不仅考虑当前的梯度，还考虑上一次的移动方向：\(v^t=\lambda v^{t-1}-\eta g^t,v^0=0\)，
其中上标\(t\)是迭代次数；\(v\)指移动方向（movement），类似于物理中的速度；\(g\)是梯度（gradient）；\(\lambda\)用来控制惯性的重要性，值越大代表惯性越重要；\(\eta\)是学习率。
Adam
RMSProp+Momentum+Bias Correction，2015年提出
Adam VS SGDM
目前常用的就是Adam和SGDM。
Adam训练速度快，large generalization gap（在训练集和验证集上的性能差异大），但不稳定；SGDM更稳定，little generalization gap，更加converge（收敛）。
| 领域 | 技术/模型 | 优化器 |
|---|---|---|
| Q&A、文意理解、文章生成 | BERT | Adam |
| BERT的Backbone、翻译 | Transformer | Adam |
| 语音生成 | Tacotron | Adam |
| 目标检测 | YOLO | SGDM |
| 目标检测 | Mask R-CNN | SGDM |
| 图片分类 | ResNet | SGDM |
| 图片生成 | Big-GAN | Adam |
| 元学习 | MAML | Adam |
SGDM适用于计算机视觉，Adam适用于NLP、Speech Synthesis、GAN、Reinforcement Learning。
SWATS
2017年提出，尝试把Adam和SGDM结合，其实就是前一段时间用Adam，后一段时间用SGDM，但在切换时需要解决一些问题。
尝试改进Adam
-
AMSGrad
-
Adam的问题
Non-informative gradients contribute more than informative gradients.
在Adam中，之前所有的梯度都会对第\(t\)步的movement产生影响。然而较早阶段(比如第1、2步)的梯度信息是相对无效的，较晚阶段（比如\(t-1\)、\(t-2\)步）的梯度信息是相对有效的。在Adam中，可能发生较早阶段梯度相对于较晚阶段梯度比重更大的问题。
-
提出AMSGrad
2018年提出
-
-
AdaBound
2019年提出，目的也是改进Adam。
-
Adam需要warm up吗？需要
warm up：开始时学习率小，后面学习率大。
因为实验结果说明在刚开始的几次（大概是10次）迭代中，参数值的分布比较散乱（distort），因此梯度值就比较散乱，导致梯度下降不稳定。
-
RAdam
2020年提出
-
Lookahead
2019年提出，像一个wrapper一样套在优化器外面，适用于Adam、SGDM等任何优化器。
迭代几次后会回头检查一下。
-
Nadam
2016年提出，把NAG的概念应用到Adam上。
-
AdamW
2017年提出，这个优化器还是有重要应用的（训练出了某个BERT模型）。
尝试改进SGDM
-
LR range test
2017年提出
-
Cyclical LR
2017年提出
-
SGDR
2017年提出，模拟Cosine但并不是Cosine
-
One-cycle LR
2017年提出，warm-up+annealing+fine-tuning
-
SGDW
2017年提出，
改进Momentum
-
背景
如果梯度指出要停下来，但动量说要继续走，这样可能导致坏的结果。
-
NAG（Nesterov accelerated gradient）
1983年提出，会预测下一步。
Early Stopping
如果学习率调整得较好，随着迭代次数增加，神经网络在训练集上的loss会越来越小，但因为验证集（Validation set）和训练集不完全一样，所以神经网络在验证集上的loss可能不降反升，所以我们应该在神经网络在验证集上loss最小时停止训练。
Keras文档中就有关于Early stopping的说明。
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号：@臭咸鱼
转载请注明出处，欢迎讨论和交流!
