行业新闻

常用的优化器合集_1

一、优化器

（优化器有什么用？）

深度学习模型通过引入损失函数，用来计算目标预测的错误程度。根据损失函数计算得到的误差结果，需要对模型参数（即权重和偏差）进行很小的更改，以期减少预测错误。但问题是如何知道何时应更改参数，如果要更改参数，应更改多少？ 这就是引入优化器的时候了。简单来说， 优化器可以优化损失函数，优化器的工作是以使损失函数最小化的方式更改可训练参数，损失函数指导优化器朝正确的方向移动。

优化器即优化算法是用来求取模型的最优解的，通过比较神经网络自己预测的输出与真实标签的差距，也就是Loss函数。为了找到最小的loss（也就是在神经网络训练的反向传播中，求得局部的最优解），通常采用的是梯度下降(Gradient Descent)的方法，而梯度下降，便是优化算法中的一种。 总的来说可以分为三类，一类是梯度下降法（ Gradient Descent ），一类是动量优化法（ Momentum ），另外就是自适应学习率优化算法。

常见的一些优化器有：SGD 、Adagrad 、Adadelta 、RMSprop 、Adam 、Adamax 、Nadam 、TFOptimizer 等等。

二、各优化器

假设要学习训练的模型参数为W ，代价函数为J(W)，则代价函数关于模型参数的偏导数即相关梯度为ΔJ(W)，学习率为ηt，则使用梯度下降法更新参数为：

其中， _η_为学习率、

$常用的优化器合集$ 表示t时刻的模型参数。

从表达式来看，模型参数的更新调整，与代价函数关于模型参数的梯度有关，即沿着梯度的方向不断减小模型参数，从而最小化代价函数。

基本策略可以理解为” 在有限视距内寻找最快路径下山“，因此每走一步，参考当前位置最陡的方向(即梯度)进而迈出下一步。可以形象的表示为：

评价：标准梯度下降法主要有两个缺点:

训练速度慢：每走一步都要要计算调整下一步的方向，下山的速度变慢。在应用于大型数据集中，每输入一个样本都要更新一次参数，且每次迭代都要遍历所有的样本。会使得训练过程及其缓慢，需要花费很长时间才能得到收敛解。这样就产生了很多比较新奇的优化器（SGD ，BGD ，Mini-batch GD 等）。批量梯度下降法（BGD ）、随机梯度下降法（SGD ）、小批量梯度下降法。

容易陷入局部最优解：由于是在有限视距内寻找下山的反向。当陷入平坦的洼地，会误以为到达了山地的最低点，从而不会继续往下走。所谓的局部最优解就是鞍点。落入鞍点，梯度为0 ，使得模型参数不在继续更新。（对于非凸函数而言，容易陷入局部最优解）

均匀地、随机选取其中一个样本，

$常用的优化器合集$ 用它代表整体样本，即把它的值乘以N ，就相当于获得了梯度的无偏估计值。

SGD 的更新公式为：

$常用的优化器合集$

基本策略可以理解为随机梯度下降像是一个 盲人下山，不用每走一步计算一次梯度，但是他总能下到山底，只不过过程会显得扭扭曲曲。

优点：

虽然SGD 需要走很多步的样子，但是对梯度的要求很低（计算梯度快）。而对于引入噪声，大量的理论和实践工作证明，只要噪声不是特别大，SGD 都能很好地收敛。

应用大型数据集时，训练速度很快。比如每次从百万数据样本中，取几百个数据点，算一个SGD 梯度，更新一下模型参数。相比于标准梯度下降法的遍历全部样本，每输入一个样本更新一次参数，要快得多。

缺点：

SGD在随机选择梯度的同时会引入噪声， 使得权值更新的方向不一定正确。此外，SGD 也 没能单独克服局部最优解的问题。

官方框架的代码：

（pytorch）

params(iterable)- 参数组(参数组的概念请查看 3.2 优化器基类：Optimizer)，优化器要管理的那部分参数。
lr(float)- 初始学习率，可按需随着训练过程不断调整学习率。
momentum(float)- 动量，通常设置为0.9，0.8
dampening(float)- dampening for momentum ，暂时不了其功能，在源码中是这样用的：buf.mul (momentum).add(1 – dampening, d_p)，值得注意的是，若采用nesterov，dampening必须为 0.
weight_decay(float)- 权值衰减系数，也就是L2正则项的系数
nesterov(bool)- bool选项，是否使用NAG(Nesterov accelerated gradient)

（tensorflow2）

随机梯度下降法，支持动量参数，支持学习衰减率，支持Nesterov动量

lr：大或等于0的浮点数，学习率
momentum：大或等于0的浮点数，动量参数
decay：大或等于0的浮点数，每次更新后的学习率衰减值
nesterov：布尔值，确定是否使用Nesterov动量

每次迭代使用m 个样本来对参数进行更新，MBGD 的更新公式为：

其中表示t 时刻的模型参数。

从表达式来看，模型参数的调整更新与小部分的输入样本的代价函数的和（即批量/全局误差）有关。即每次权值调整发生在批量样本输入之后，而不是每输入一个样本就更新一次模型参数。这样就会大大加快训练速度。

基本策略可以理解为， 在下山之前掌握了附近的地势情况，选择相对的总体平均梯度最小的方向下山。

评价：

1、优点：使用mini-batch 的时候， 可以收敛得很快，有一定摆脱局部最优的能力。

2、缺点：

在随机选择梯度的同时会引入噪声， 使得权值更新的方向不一定正确。
*不能解决局部最优解的问题

BGD、SGD 、MBGD 分别为批量梯度下降算法、随机梯度下降算法、小批量梯度下降算法。BGD 在训练的时候选用所有的训练集进行计算，SGD 在训练的时候只选择一个数据进行训练，而MBGD 在训练的时候只选择小部分数据进行训练。这三个优化算法在训练的时候虽然所采用的的数据量不同，但是他们在进行参数优化的时候是相同的。

这种梯度更新算法简洁，当学习率取值恰当时，可以收敛到全面最优点(凸函数)或局部最优点(非凸函数)。 但其还有很大的不足点：

1 、 对超参数学习率比较敏感（过小导致收敛速度过慢，过大又越过极值点）。

2 、学习率除了敏感，有时还会因其在 迭代过程中保持不变，很容易造成算法被卡在鞍点的位置。

3 、在较平坦的区域，由于 梯度接近于 0 ，优化算法会因误判，在还未到达极值点时，就提前结束迭代，陷入局部极小值。

其他的SGD优化器–官方框架的代码： ：

ASGD(随机平均梯度下降)

(pytorch)

params(iterable)- 参数组,优化器要优化的那些参数。
lr(float)- 初始学习率，可按需随着训练过程不断调整学习率。
lambd(float)- 衰减项，默认值 1e-4。
alpha(float)- power for eta update ，默认值 0.75。
t0(float)- point at which to start averaging，默认值 1e6。
weight_decay(float)- 权值衰减系数，也就是 L2 正则项的系数。

牛顿加速梯度动量优化方法(NAG, Nesterov accelerated gradient)：拿着上一步的速度先走一小步，再看当前的梯度然后再走一步。

SGDM 对比NAG 如下：

其中，

$常用的优化器合集$ 表示t 时刻积攒的加速度； _α_表示动力的大小； $常用的优化器合集$ 表示学习率； $常用的优化器合集$ 表示t 时刻的模型参数， $常用的优化器合集$ 表示代价函数关于 $常用的优化器合集$ 的梯度。Nesterov 动量梯度的计算在模型参数施加当前速度之后，因此可以理解为往标准动量中添加了一个校正因子。

理解策略：在Momentun 中小球会盲目地跟从下坡的梯度，容易发生错误。所以需要一个更聪明的小球，能提前知道它要去哪里，还要知道走到坡底的时候速度慢下来而不是又冲上另一个坡。计算

$常用的优化器合集$ 可以表示小球下一个位置大概在哪里。从而可以提前知道下一个位置的梯度，然后使用到当前位置来更新参数。

在凸批量梯度的情况下，Nesterov 动量将额外误差收敛率从O(1/k)(k 步后)改进到O(1/k2)。然而，在随机梯度情况下，Nesterov 动量对收敛率的作用却不是很大。

优点： 梯度下降的方向更加准确

缺点： 对收敛率作用不是很大

使用动量(Momentum)的随机梯度下降法(SGD)，主要思想是引入一个积攒历史梯度信息动量来加速SGD 。

理解策略为：由于当前权值的改变会受到上一次权值改变的影响，类似于小球向下滚动的时候带上了惯性。这样可以加快小球向下滚动的速度。

从训练集中取一个大小为n 的小批量

$常用的优化器合集$ 样本，对应的真实值分别为Y(i)，则Momentum 优化表达式为：

其中，

$常用的优化器合集$ 表示t 时刻积攒的加速度。α表示动力的大小，一般取值为0.9 （表示最大速度10 倍于SGD ）。

$常用的优化器合集$ 含义见SGD 算法。 $常用的优化器合集$ 表示t 时刻模型参数。

动量主要解决SGD 的两个问题： 一是随机梯度的方法（引入的噪声）；二是 Hessian 矩阵病态问题（可以理解为 SGD 在收敛过程中和正确梯度相比来回摆动比较大的问题）。

SGDM相比 SGD 优势明显，加入动量后，参数更新就可以保持之前更新趋势，而不会卡在当前梯度较小的点了。

美中不足的是， SGDM 没有考虑对学习率进行自适应更新，故学习率的选择很关键。

在梯度方向改变时，momentum能够降低参数更新速度，从而减少震荡；在梯度方向相同时，momentum可以加速参数更新，从而加速收敛。动量移动得更快(因为它积累的所有动量)。动量有机会逃脱局部极小值(因为动量可能推动它脱离局部极小值)

论文网址：https://arxiv.org/pdf/1609.04747.pdf

博客：深度学习中的优化算法之AdaGrad_fengbingchun的博客-CSDN博客_adagrad

AdaGrad算法，独立地适应所有模型参数的学习率，缩放每个参数反比于其所有梯度历史平均值总和的平方根。具有代价函数最大梯度的参数相应地有个快速下降的学习率，而具有小梯度的参数在学习率上有相对较小的下降。与SGD 的区别在于，学习率除以前t-1 迭代的梯度的平方和。 故称为自适 应 梯度下降 。

从表达式可以看出，对出现比较多的类别数据，Adagrad 给予越来越小的学习率，而对于比较少的类别数据，会给予较大的学习率。因此Adagrad 适用于数据稀疏或者分布不平衡的数据集。

Adagrad 的主要优势在于不需要人为的调节学习率，它可以自动调节；缺点在于，随着迭代次数增多，学习率会越来越小，最终会趋近于0,使得训练提前结束，无法继续学习。

Adagrad有个致命问题，就是没有考虑迭代衰减。极端情况，如果刚开始的梯度特别大，而后面的比较小，则学习率基本不会变化了，也就谈不上自适应学习率了。这个问题在RMSProp中得到了修正

官方框架的代码：

（pytorch）

params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
lr (float, 可选) – 学习率（默认: 1e-2）
lr_decay (float, 可选) – 学习率衰减（默认: 0）
weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）
initial_accumulator_value – 累加器的起始值，必须为正。 （tensorflow2）

lr：大于0的浮点数，学习率
epsilon：大于0的小浮点数，防止除0错误

论文地址：https://arxiv.org/pdf/1609.04747.pdf

博客：深度学习中的优化算法之Adadelta_fengbingchun的博客-CSDN博客_adadelta

Adadelta依然对学习率进行了约束，但是在计算上进行了简化。

其中，E 代表求期望，RMS(Root Mean Squared ，均方根)

特点：

此时可以看出Adadelta 已经不依赖全局learning rate 了。
在模型训练的初期和中期，AdaDelta 表现很好，加速效果不错，训练速度快。
在模型训练的后期，模型会反复地在局部最小值附近抖动。

官方框架的代码：

（pytorch）

params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
rho (float, 可选) – 用于计算平方梯度的运行平均值的系数（默认：0.9）
eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-6）
lr (float, 可选) – 在delta被应用到参数更新之前对它缩放的系数（默认：1.0）
weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

（tensorflow2）

lr：大于0的浮点数，学习率
rho：大于0的浮点数
epsilon：大于0的小浮点数，防止除0错误

论文网址：https://arxiv.org/pdf/1609.04747.pdf

博客地址：深度学习中的优化算法之RMSProp_fengbingchun的博客-CSDN博客_rmsprop

RMSprop可以看做Adadelta 的一个特例。RMSProp 算法修改了AdaGrad 的梯度积累为指数加权的移动平均，使得其在非凸设定下效果更好。

特点

其实RMSprop 依然依赖于全局学习率
RMSprop 的效果介于Adagrad 和Adadelta 之间
适合处理非平稳目标——对于RNN 效果很好。
RMSProp 借鉴了Adagrad 的思想，观察表达式，分母为 $常用的优化器合集$ 。由于取了个加权平均，避免了学习率越来越低的的问题，而且能自适应地调节学习率。
RMSProp 算法在经验上已经被证明是一种有效且实用的深度神经网络优化算法。目前它是深度学习从业者经常采用的优化方法之一。

官方框架的代码：

（pytorch）

- params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
- lr (float, 可选) – 学习率（默认：1e-2）
- momentum (float, 可选) – 动量因子（默认：0），该参数的作用下面会说明。
- alpha (float, 可选) – 平滑常数（默认：0.99）
- eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
- weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）
- centered (bool, 可选) – 如果为True，计算中心化的RMSProp，并且用它的方差预测值对梯度进行归一化

（tensorflow2）

除学习率可调整外，建议保持优化器的其他默认参数不变。该优化器通常是面对递归神经网络时的一个良好选择

lr：大或等于0的浮点数，学习率
rho：大或等于0的浮点数
epsilon：大或等于0的小浮点数，防止除0错误

论文网址： https://arxiv.org/pdf/1609.04747.pdf
博客网址： 深度学习中的优化算法之Adam_fengbingchun的博客-CSDN博客_adam优化算法

Adam 是SGDM 和RMSProp 的结合，它基本解决了之前提到的梯度下降的一系列问题，比如随机小样本、自适应学习率、容易卡在梯度较小点等问题，2015 年提出。如下：

评价：

Adam通常被认为对超参数的选择相当鲁棒，尽管学习率有时需要从建议的默认修改。
自动调整参数的学习率；大幅提升了训练速度；提高了稳定性；

主要包含以下几个显著的优点：

实现简单，计算高效，对内存需求少
参数的更新不受梯度的伸缩变换影响
- 超参数具有很好的解释性，且通常无需调整或仅需很少的微调
- 更新的步长能够被限制在大致的范围内（初始学习率）
  - 能自然地实现步长退火过程（自动调整学习率）
  - 很适合应用于大规模的数据及参数的场景
    - 适用于不稳定目标函数
    - 适用于梯度稀疏或梯度存在很大噪声的问题

官方框架的代码：

（pytorch）

params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
lr (float, 可选) – 学习率（默认：1e-3）
betas (Tuple[float,float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数（默认：0.9，0.999）
eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

（tensorflow2）

learning_rate=0.001, # 学习率默认 0.001
beta_1=0.9, # 一阶矩估计的指数衰减率。默认 0.9
beta_2=0.999, # 二阶矩估计的指数衰减率。默认 0.999
epsilon=1e-07, # 模糊因子。如果None，默认为K.epsilon()。该参数是非常小的数，其为了防止在实现中除以零。默认 1e-07
amsgrad=False, # 布尔。是否应用该算法的AMSGrad变体。默认 False
name=’Adam’, # 应用渐变时创建的操作的可选名称。

论文网址：https://arxiv.org/pdf/1412.6980.pdf、 https://arxiv.org/pdf/1609.04747.pdf

参考博客： Pytorch优化器全总结（二）Adadelta、RMSprop、Adam、Adamax、AdamW、NAdam、SparseAdam_小殊小殊的博客-CSDN博客_pytorch nadam

Adamax 总结

Adamax 是Adam的一种变体，此方法对学习率的上限提供了一个更简单的范围。总的来说跟Adam效果差不了多少。

推荐程度：非常推荐

官方框架的代码：

（pytorch）

params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
lr (float, 可选) – 学习率（默认：2e-3）
betas (Tuple[float,float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数
eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

（tensorflow2）

learning_rate=0.001, # 学习率默认 0.001
beta_1=0.9, # 一阶矩估计的指数衰减率。默认 0.9
beta_2=0.999, # 二阶矩估计的指数衰减率。默认 0.999
epsilon=1e-07, # 模糊因子。如果None，默认为K.epsilon()。该参数是非常小的数，其为了防止在实现中除以零。默认 1e-07
name=’Adamx’, # 应用渐变时创建的操作的可选名称。

参考论文：https://arxiv.org/pdf/1412.6980.pdf

参考博客： Pytorch优化器全总结（二）Adadelta、RMSprop、Adam、Adamax、AdamW、NAdam、SparseAdam_小殊小殊的博客-CSDN博客_pytorch nadam

AdamW 总结

因为Adam的学习率自适应的，而L2正则遇到自适应学习率后效果不理想，所以使用adam+权重衰减的方式解决问题。多说一句，如果epoch比较多推荐使用 SGD（无momentum）+ L2正则化；poch比较少推荐使用AdamW。比Adam收敛得更快，参数更稀疏。

官方框架的代码：

（pytorch）

- params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
- lr (float, 可选) – 学习率（默认：1e-3）
- betas (Tuple[float,float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数（默认：0.9，0.999）
- eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
- weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 1e-2）
- amsgrad(boolean, optional) – 是否使用从论文On the Convergence of Adam and Beyond中提到的算法的AMSGrad变体（默认：False）

（tensorflow2）

无

参考论文：https://arxiv.org/pdf/1412.6980.pdf

参考博客：链接 Pytorch优化器全总结（二）Adadelta、RMSprop、Adam、Adamax、AdamW、NAdam、SparseAdam_小殊小殊的博客-CSDN博客_pytorch nadam 链接

NAdam 总结

优点：具有Adam的优点的同时，在也兼具NAG收敛速度快、波动也小的特点。(NAdam 是在 Adam 中引入 Nesterov 加速效果。)

推荐程度：推荐，在想使用带动量的RMSprop，或者Adam的地方，大多可以使用NAdam取得更好的效果。

官方框架的代码：

（pytorch）

- params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
- lr (float, 可选) – 学习率（默认：1e-3）
- betas (Tuple[float,float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数（默认：0.9，0.999）
- eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
- weight_decay (float, 可选) – 动量衰减
- foreach(boolean, optional) – 是否使用每个优化器的实现，可以添加一些复杂的foreach逻辑

（tensorflow2）

-learning_rate=0.001, # 学习率默认 0.001
beta_1=0.9, # 一阶矩估计的指数衰减率。默认 0.9
beta_2=0.999, # 二阶矩估计的指数衰减率。默认 0.999
epsilon=1e-07, # 模糊因子。如果None，默认为K.epsilon()。该参数是非常小的数，其为了防止在实现中除以零。默认 1e-07
name=’Nadam’, # 应用渐变时创建的操作的可选名称。

三、 优化器之间的对比

机器学习：各种优化器Optimizer的总结与比较_SanFanCSgo的博客-CSDN博客_optimizer

(1) 示例一

上图描述了在一个曲面上， 6 种优化器的表现，从中可以大致看出：

*下降速度：

三个自适应学习优化器Adagrad、RMSProp与AdaDelta的下降速度明显比SGD要快，其中，Adagrad和RMSProp齐头并进，要比AdaDelta要快。

两个动量优化器Momentum和NAG由于刚开始走了岔路，初期下降的慢；随着慢慢调整，下降速度越来越快，其中NAG到后期甚至超过了领先的Adagrad和RMSProp。

*下降轨迹：

SGD和三个自适应优化器轨迹大致相同。两个动量优化器初期走了”岔路”，后期也调整了过来。

示例二

上图在一个存在鞍点的曲面，比较6 中优化器的性能表现，从图中大致可以看出：

三个自适应学习率优化器没有进入鞍点，其中，AdaDelta 下降速度最快，Adagrad 和RMSprop 则齐头并进。

两个动量优化器Momentum 和NAG 以及SGD 都顺势进入了鞍点。但两个动量优化器在鞍点抖动了一会，就逃离了鞍点并迅速地下降，后来居上超过了Adagrad 和RMSProp 。

很遗憾，SGD 进入了鞍点，却始终停留在了鞍点，没有再继续下降。

示例三

上图比较了6 种优化器收敛到目标点（五角星）的运行过程，从图中可以大致看出：

*在运行速度方面

两个动量优化器Momentum 和NAG 的速度最快，其次是三个自适应学习率优化器AdaGrad 、AdaDelta 以及RMSProp ，最慢的则是SGD 。

*在收敛轨迹方面

两个动量优化器虽然运行速度很快，但是初中期走了很长的”岔路”。

三个自适应优化器中，Adagrad 初期走了岔路，但后来迅速地调整了过来，但相比其他两个走的路最长；AdaDelta 和RMSprop 的运行轨迹差不多，但在快接近目标的时候，RMSProp 会发生很明显的抖动。

SGD相比于其他优化器，走的路径是最短的，路子也比较正。

常见的优化器（Optimizer）原理_hello2mao的博客-CSDN博客_优化器原理

https://shaoanlu.wordpress.com/2017/05/29/sgd-all-which-one-is-the-best-optimizer-dogs-vs-cats-toy-experiment/

Validation accuracy （验证集acc ）

Training accuracy （训练集acc ）

Validation loss （测试集loss ）

Training loss （训练集loss ）

四、优化器的选择

（这里我引入一些大佬博客的想法，没有改动）

【深度学习】优化器详解_LogosTR_的博客-CSDN博客_优化器是什么

1. 优化算法的选择

（1）对于稀疏数据，尽量使用学习率可自适应的算法，不用手动调节，而且最好采用默认参数

（2）SGD通常训练时间最长，但是在好的初始化和学习率调度方案下，

（3）结果往往更可靠。但SGD容易困在鞍点，这个缺点也不能忽略。

（4）如果在意收敛的速度，并且需要训练比较深比较复杂的网络时，推荐使用学习率自适应的优化方法。

（5）Adagrad，Adadelta和RMSprop是比较相近的算法，表现都差不多。

（6）在能使用带动量的RMSprop或者Adam的地方，使用Nadam往往能取得更好的效果。

2. 优化 SGD 的其他策略

2.1. Shuffling and Curriculum Learning

Shuffling就是打乱数据，每一次epoch之后 shuffle一次数据，可以避免训练样本的先后次序影响优化的结果。但另一方面，在有些问题上，给训练数据一个有意义的顺序，可能会得到更好的性能和更好的收敛。这种给训练数据建立有意义的顺序的方法被叫做Curriculum Learning。

2.2. Batch Normalization

（1） 为了有效的学习参数，我们一般在一开始把参数初始化成0均值和单位方差。但是在训练过程中，参数会被更新到不同的数值范围，使得normalization的效果消失，从而导致训练速度变慢或梯度爆炸等等问题(当网络越来越深的时候)。

BN给每个batch的数据恢复了normalization，同时这些对数据的更改都是可还原的，即normalization了中间层的参数，又没有丢失中间层的表达能力。

（2） 使用BN之后，我们就可以使用更高的学习率，也不用再在参数初始化上花费那么多注意力。

（3） BN还有正则化的作用，同时也削弱了对Dropout的需求。

2.3. Early Stopping

在训练的时候我们会监控validation的误差，并且会(要有耐心)提前停止训练，如果验证集的error没有很大的改进。

2.4. Gradient noise

在梯度更新的时候加一个高斯噪声：

方差值的初始化策略是：

Neelakantan等人表明，噪声使得网络的鲁棒性更好，而且对于深度复杂的网络训练很有帮助。他们猜想添加了噪声之后，会使得模型有更多机会逃离局部最优解（深度模型经常容易陷入局部最优解）

优化方法总结以及Adam存在的问题(SGD, Momentum, AdaDelta, Adam, AdamW，LazyAdam)_糖葫芦君的博客-CSDN博客_adam改进

用Adam还是SGD？Adam的两大罪状—-这个更详细可以查看上面的链接。

3. 优化算法的常用 tricks

（1） 首先，各大算法孰优孰劣并无定论。如果是刚入门，优先考虑SGD+Nestero V Momentum或者Adam.（Standford 231n : The two recommended updates to use are either SGD+NesteroV Momentum or Adam）

（2）选择你熟悉的算法——这样你可以更加熟练地利用你的经验进行调参。充分了解你的数据——如果模型是非常稀疏的，那么优先考虑自适应学习率的算法。如果在意更快的收敛，并且需要训练较深较复杂的网络时，推荐使用自适应学习率的优化方法。

（3）根据你的需求来选择——在模型设计实验过程中，要快速验证新模型的效果，可以先用Adam进行快速实验优化；在模型上线或者结果发布前，可以用精调的SGD进行模型的极致优化。

（4）先用小数据集进行实验——有论文研究指出，随机梯度下降算法的收敛速度和数据集的大小的关系不大。因此可以先用一个具有代表性的小数据集进行实验，测试一下最好的优化算法，并通过参数搜索来寻找最优的训练参数。

（5）考虑不同算法的组合：先用Adam进行快速下降，而后再换到SGD进行充分的调优。切换策略可以参考本文介绍的方法。

（6）数据集一定要充分的打散（ shuffle ）：这样在使用自适应学习率算法的时候，可以避免某些特征集中出现，而导致的有时学习过度、有时学习不足，使得下降方向出现偏差的问题。

（7）训练过程中 持续监控训练数据和验证数据上的目标函数值以及精度或者AUC等指标的变化情况。对训练数据的监控是要保证模型进行了充分的训练——下降方向正确，且学习率足够高；对验证数据的监控是为了避免出现过拟合。

（8）制定一个合适的学习率衰减策略。可以使用定期衰减策略，比如每过多少个epoch就衰减一次；或者利用精度或者AUC等性能指标来监控，当测试集上的指标不变或者下跌时，就降低学习率。

学习率衰减

在训练模型的时候，通常会遇到这种情况：我们平衡模型的训练速度和损失后选择了相对合适的学习率，但是训练集的损失下降到一定的程度后就不再下降了，最后最小值在附近摆动，不会精确地收敛，这是因为mini-batch中有噪声。遇到这种情况通常可以通过适当降低学习率来实现。但是，降低学习率又会延长训练所需的时间。学习率衰减就是一种可以平衡这两者之间矛盾的解决方案。

几种梯度衰减的方式：