【DL-CV】更高级的参数更新/优化（二）

jone5679 发布于2019-06-26 18:34 / 924人阅读

续【DL-CV】更高级的参数更新（一）

【DL-CV】正则化，Dropout<前篇---后篇>【DL-CV】浅谈GoogLeNet（咕咕net）

Adagrad

全名 Adaptive gradient algorithm ，翻译过来就是“适应梯度算法”，该算法能根据梯度中偏导数的大小给不同的偏导数以不同的学习率，偏导数大（小）的给个小（大）的学习率，以此来减少参数更新时的摆动。

其核心是引入一个参数对历次的梯度的平方进行累加，在更新阶段，基础学习率将除以这个参数的开方。这样大梯度会因为积累大而分得小的学习率，小梯度因为积累小而分得较大的学习率
$$s_{t+1} = s_{t}+ abla_x L(x_t)^2$$
$$x_{t+1}=x_t-{alphaover sqrt {s_{t+1}}+epsilon} abla_x L(x_t)$$
其中$epsilon$是一个很小的数，为了防止除法时分母出现零，一般设为1e-4到1e-8之间。下面是代码实现

缺点：梯度平方的累计值在训练过程中不断增大，作为分母被除了以后学习率衰减过快，更新变慢

RMSprop

RMSprop 是 Geoff Hinton 提出的一种自适应学习率方法，目的是为了解决 Adagrad 学习率急剧下降的问题。其在对梯度平方进行累加时会进行衰减处理（其实是指数加权平均），解决学习率急降的问题的同时又保留了 Adagrad 调节学习率的优点
$$s_{t+1} = eta s_t +(1-eta) abla_x L(x_t)^2$$
$$x_{t+1}= x_t-{alphaover sqrt {s_{y+1}+}epsilon}$$
$gamma$ 通常为0.9/0.99

以上两种方法解决了SGD的问题2️⃣

Adam

两种动量方法通过引入“速度”解决了问题1️⃣；Adagrad 和 RMSprop 通过引入“梯度平方”解决了问题2️⃣，各有千秋。为何不把两者结合起来然后一次满足两个愿望呢？这么一想，Adam就出来了。

Adam 相当于 RMSprop + Momentum，他除了像 RMSprop 一样存储了过去梯度平方的指数衰减平均值，也像 momentum 一样保持了过去梯度的指数衰减平均值：
$$v_{t+1} = eta_1v_t + (1-eta_1) abla_x L(x_t)$$
$$s_{t+1} = eta_2s_t + (1-eta_2) abla_x L(x_t)^2$$
如果 v 和 s 被初始化为 0 向量，那它们就会向 0 偏置，所以还需要偏差校正来抵消这些偏差：
$$hat v_{t+1} = {v_{t+1}over 1-eta_1^{t+1}}$$
$$hat s_{t+1} = {s_{t+1}over 1-eta_2^{t+1}}$$
最后的更新就是：
$$x_{t+1}=x_t-{alpha hat v_{t+1}oversqrt{hat s_{t+1}}+epsilon}$$
推荐值$eta_1=0.9$，$eta_2=0.99$，$alpha=10^{-3}/5·10^{-4}$代码实现：

Adam真的是一个非常棒的算法，实践表明，Adam 比其他适应性学习方法效果要好，几乎成为标配默认的算法啦。所以长篇大论了这么久之后的结论是——推荐首选Adam

云服务器 GPU云服务器最小二乘参数估计的递推算法高级语言更易编程? rds参数优化 mysql参数优化

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/19801.html

【DL-CV】更高级的参数更新/优化（二）

续【DL-CV】更高级的参数更新（一）【DL-CV】正则化，Dropout【DL-CV】浅谈GoogLeNet（咕咕net） Adagrad 全名 Adaptive gradient algorithm ，翻译过来就是适应梯度算法，该算法能根据梯度中偏导数的大小给不同的偏导数以不同的学习率，偏导数大（小）的给个小（大）的学习率，以此来减少参数更新时的摆动。其核心是引入一个参数对历次的梯度的平方...

lemon 2019-07-30 17:49 评论0 收藏0
【DL-CV】更高级的参数更新/优化（一）

摘要：对所有参数更新时应用同样的学习率梯度由许多偏导数组成，对应着各个参数的更新。对于偏导数大的，我们希望配个小的学习率给他对于偏导数小的，我们希望配个大的学习率给他，这样各个参数都能获得大致相同的更新幅度，提高网络的健壮性。后续【DL-CV】更高级的参数更新/优化（二）【DL-CV】正则化，Dropout【DL-CV】浅谈GoogLeNet（咕咕net）原版SGD的问题原味版的S...

tinyq 2019-06-26 18:34 评论0 收藏0