SGD及其优化算法

最后更新于5年前

这有帮助吗？

SGD及其优化算法

将优化算法的框架搬来. 首先定义符号. $w$ 为待优化参数, $f(w)$ 为目标函数, $\alpha$ 为初始学习率.

在每步 $t$ 中:

计算目标函数关于当前参数 $w_t$ 的梯度: $g_{t}=\nabla f\left(w_{t}\right)$
根据历史梯度 $g_{1}, g_{2}, \cdots, g_{t}$ 计算一阶动量和二阶动量: $m_{t}=\phi\left(g_{1}, g_{2}, \cdots, g_{t}\right)$ ; $V_{t}=\psi\left(g_{1}, g_{2}, \cdots, g_{t}\right)$
计算当前时刻的下降梯度: $\eta_{t}=\alpha \cdot m_{t} / \sqrt{V_{t}}$
根据下降梯度更新参数: $w_{t+1}=w_{t}-\eta_{t}$

SGD

SGD(stochastic gradient descent)更多地指mini-batch gradient descent. 作为最基础的优化算法, 原理就是计算这个mini-batch的梯度, 然后对参数进行更新.

\begin{aligned} &g_{t}=\nabla_{w_{t-1}} f\left(w_{t-1}\right)\\ &\eta_{t}=-\alpha * g_{t} \end{aligned}

从框架的角度讲, SGD没有动量的概念, 即:

$m_t=g_t$ ; $V_t=I^2$

代入步骤3, 得到 $\eta_t=\alpha\cdot g_t$

缺点

SGD最大的缺点是下降速度慢, 收敛慢
可能会在损失函数的鞍点沟壑两边持续震荡, 进一步降低了收敛速度

SGD与极值和鞍点

一种常见的关于SGD的认知错误, 即SGD容易陷入到局部最小值(local minima)中, 从而再也无法跳出. 而这时人们把低维的直观认识直接推到高维造成的.

鞍点存在一个区域, 这个区域非常平坦, 梯度很小. SGD在迭代过程中, 在鞍点附近的变化幅度越来越小, 看起来像是静止卡住了. 但与local minima不同, 如果运行时间足够长, SGD一类的算法是可以走出鞍点附近的.

附上经典鞍点图:

因此, 使用梯度优化神经网络的主要问题是存在大量鞍点, 在高维的情况下, 鞍点附近的平坦区域可能非常大; 另外鞍点的数量可能非常多, 即便跳过一个鞍点, 很快就会进入到另外一个鞍点的平坦区域.

SGD with Momentum

SGDM加入了动量(Momentum), 即惯性, 已抑制SGD的震荡, 加快收敛. 另外在下坡时, 利用惯性下降的更快一些, 也加快了收敛的速度. 引入一阶动量:

在迭代过程中, 在鞍点区域震荡时, 依靠积累的动量, 跳出震荡的局面.

SGD with Nesterov Acceleration

NAG(Nesterov Accelerated Gradient)在动量上更进一步. 其最终的下降方向依然由梯度主导, 但还将动量引入到当前时间梯度的计算当中. 由于下降方向由动量主导, 所以先沿着动量走一步, 到达新的位置, 然后对新位置求得梯度, 将这个梯度叠加在梯度上, 进行校正, 提高了梯度更新的灵敏度.

momentum首先计算一个梯度(短的蓝色向量), 然后在动量方向进行一个大的跳跃(长的蓝色向量); nesterov项首先在之前动量方向进行一个大的跳跃(棕色向量), 然后计算梯度(红色向量), 进行校正, 得到最终的一步(绿色向量).

因此整个过程可以表示为:

指数移动平均值的偏差修正

计算指数移动平均值得到一阶变量:

最后更新于5年前

这有帮助吗？

将优化算法的框架搬来. 首先定义符号. $w$ 为待优化参数, $f(w)$ 为目标函数, $\alpha$ 为初始学习率.

在每步 $t$ 中:

计算目标函数关于当前参数 $w_t$ 的梯度: $g_{t}=\nabla f\left(w_{t}\right)$
根据历史梯度 $g_{1}, g_{2}, \cdots, g_{t}$ 计算一阶动量和二阶动量: $m_{t}=\phi\left(g_{1}, g_{2}, \cdots, g_{t}\right)$ ; $V_{t}=\psi\left(g_{1}, g_{2}, \cdots, g_{t}\right)$
计算当前时刻的下降梯度: $\eta_{t}=\alpha \cdot m_{t} / \sqrt{V_{t}}$
根据下降梯度更新参数: $w_{t+1}=w_{t}-\eta_{t}$

SGD

SGD(stochastic gradient descent)更多地指mini-batch gradient descent. 作为最基础的优化算法, 原理就是计算这个mini-batch的梯度, 然后对参数进行更新.

\begin{aligned} &g_{t}=\nabla_{w_{t-1}} f\left(w_{t-1}\right)\\ &\eta_{t}=-\alpha * g_{t} \end{aligned}

从框架的角度讲, SGD没有动量的概念, 即:

$m_t=g_t$ ; $V_t=I^2$

代入步骤3, 得到 $\eta_t=\alpha\cdot g_t$

缺点

SGD最大的缺点是下降速度慢, 收敛慢
可能会在损失函数的鞍点沟壑两边持续震荡, 进一步降低了收敛速度

SGD与极值和鞍点

一种常见的关于SGD的认知错误, 即SGD容易陷入到局部最小值(local minima)中, 从而再也无法跳出. 而这时人们把低维的直观认识直接推到高维造成的.

但2014年论文分析得出, 对于高维优化问题, 根本没有这么多局部极小值. 之所以非凸优化问题难以解决, 是因为存在大量的鞍点(梯度为零并且Hessian矩阵特征值有正有负). 在鞍点附近, 基于梯度的优化算法都会遇到严重的问题.

附上经典鞍点图:

详见.

SGD with Momentum

SGDM加入了动量(Momentum), 即惯性, 已抑制SGD的震荡, 加快收敛. 另外在下坡时, 利用惯性下降的更快一些, 也加快了收敛的速度. 引入一阶动量:

$m_{t}=\beta_{1} \cdot m_{t-1}+\left(1-\beta_{1}\right) \cdot g_{t}$

$\eta_t=\alpha\cdot m_t$

这样得到的一阶动量, 是各个时刻梯度的指数移动平均值, 约等于最近 $\frac{1}{1-\beta_1}$ 个时刻内的梯度向量的平均值.

因此在 $t$ 时刻, 下降方向不仅由当前点的梯度方向决定, 还由此前积累的动量方向决定. 一般 $\beta_1$ 取0.9, 因此下降方向更多是由动量方向决定的.

在迭代过程中, 在鞍点区域震荡时, 依靠积累的动量, 跳出震荡的局面.

SGD with Nesterov Acceleration

因此整个过程可以表示为:

$g_{t}=\nabla f\left(w_{t}-\alpha \cdot m_{t-1} \right)$

$m_{t}=\beta_{1} \cdot m_{t-1}+\left(1-\beta_{1}\right) \cdot g_{t}$

$\eta_t=\alpha\cdot m_t$

指数移动平均值的偏差修正

计算指数移动平均值得到一阶变量:

$m_{t}=\beta_{1} \cdot m_{t-1}+\left(1-\beta_{1}\right) \cdot g_{t}$

初始化 $m_{0} = 0$ , 由于 $\beta_1$ 的值一般取接近1的值, 因此在初期, $m_{t}$ 的值都会很小. 这样的值去更新梯度是有问题的, 因此常常使用下式进行修正:

$\tilde{m}_{t}=m_{t} /\left(1-\beta_{1}^{t}\right)$

$m_{t}=\beta_{1} \cdot m_{t-1}+\left(1-\beta_{1}\right) \cdot g_{t}$

$\eta_t=\alpha\cdot m_t$

这样得到的一阶动量, 是各个时刻梯度的指数移动平均值, 约等于最近 $\frac{1}{1-\beta_1}$ 个时刻内的梯度向量的平均值.

因此在 $t$ 时刻, 下降方向不仅由当前点的梯度方向决定, 还由此前积累的动量方向决定. 一般 $\beta_1$ 取0.9, 因此下降方向更多是由动量方向决定的.

$g_{t}=\nabla f\left(w_{t}-\alpha \cdot m_{t-1} \right)$

$m_{t}=\beta_{1} \cdot m_{t-1}+\left(1-\beta_{1}\right) \cdot g_{t}$

$\eta_t=\alpha\cdot m_t$

$m_{t}=\beta_{1} \cdot m_{t-1}+\left(1-\beta_{1}\right) \cdot g_{t}$

初始化 $m_{0} = 0$ , 由于 $\beta_1$ 的值一般取接近1的值, 因此在初期, $m_{t}$ 的值都会很小. 这样的值去更新梯度是有问题的, 因此常常使用下式进行修正:

$\tilde{m}_{t}=m_{t} /\left(1-\beta_{1}^{t}\right)$