一、梯度下降
最简单的梯度下降算法——固定学习率
x -= grad*lr
步长的选择：
步长太小对局部极小值的逼近慢，训练时间长
步长太大，模型容易震荡，结果不收敛
二、Adam法梯度下降
动量法梯度下降：(当前更新量+之前值 )的平滑
冲量的“惯性”
pre_grad = pre_grad*discount + grad*lr
x -= pre_grad
目的：积累梯度方向（分量）会逐步增强，帮助目标穿越“狭窄山谷”形状的优化曲面；从而加快了训练速度
比如Nesterov
自适应法：自适应确定更新量，使得更新量更加均衡，不随梯度显著变化；即参数的优化更加均衡
“启动快”，善于处理“爬坡”
x -= lr * f(grad)
比如Adagrad
Adam法融合以上两种思路的优点
三、局部最优与全局最优
The Loss Surfaces of Multilayer Networks
Deep Learning without Poor Local Minima
以上两篇论文结论：随着模型复杂度上升，局部最优点的目标函数值和全局最优点的函数值的差距在不断缩小。
这样即使模型参数收敛到一个局部最优值上，模型表现依然很好。
对上述结论一种简化的理解（不定方程理论）：如果把神经网络抽象成一个线性变换的过程，那么这个问题相当于求解一个参数数量多于方程数量的方程组。这样的问题是很可能有多于一个解的。
如果模型变得复杂，相当于参数数量进一步增加，那么解的数量也会变得更多。所以在深层网络中存在参数不同但结果相近的现象是很有可能的。
优化中的一对矛盾：
a) 模型复杂度：随着参数数量增大和模型深度加深，求解模型的全局最优值变得越来越困难。
b) 模型优化满意度：模型复杂度越高，局部最优点效果越逼近全局最优点。
四、正则化
左为L1范数，右为L2范数
可见L1正则约束下，目标函数最优值更容易出现在坐标轴上。
优化目标公式： Obj(w) = Loss(w) + L1/L2(w)
L1即参数平均值，此正则约束下，最优参数具有稀疏性；相应参数规模会减小L
求解：
L1正则在原点处不可导，求解L1正则使用的是“次梯度下降算法”
L2正则是求参数w的平方值，用于防止过拟合。一般采用L2正则。
五、深层模型泛化
深层模型的复杂度很难用传统机器学习中的量化指标（比如VC维）来衡量。
通过过拟合来提高深层模型的泛化能力：
1、前提：模型的输入空间在某个领域内具备泛化能力。
2、手段：
a）补充足够多的数据，覆盖更大的样本输入空间
b）让局部泛化的范围变大——比如L2限制了参数大小，可以让模型在局部表现得比较平滑，从而起到一些效果；Batch Norm也限制了模型，所以也能起到一些效果。
