文章目录

一、SGD，随机梯度下降
- 1.1、算法详解
- - 1）MBSGD（Mini-batch Stochastic Gradient Descent）
  - 2）动量法：momentum
  - 3）NAG(Nesterov accelerated gradient)
  - 4）权重衰减项（weight_decay）
  - 5）总结
- 1.2、Pytorch实现：torch.optim.SGD
- 1.3、示例
二、Adagrad：自适应梯度
- 2.1、算法详解
- 2.2、Pytorch的实现：torch.optim.Adagrad
三、RMSprop
- 3.1、算法详解
- 3.2、Pytorch的实现：torch.optim.RMSprop
四、Adam
- 4.1、算法详解
- 4.2、Pytorch的实现：torch.optim.Adam

这个博客讲的非常清晰：https://blog.csdn.net/xian0710830114/article/details/126551268

一、SGD，随机梯度下降

1.1、算法详解

1）MBSGD（Mini-batch Stochastic Gradient Descent）

随机梯度下降其实可以有三种实现方式，最为常用，而且在pytorch中实现的也是小批量随机梯度下降。
有以下三种：

1）BGD（批量梯度下降法）：每次迭代使用全部训练样本来计算梯度，并根据梯度的平均值来更新模型的参数。尽管 BGD 对参数更新的方向更稳定，但由于计算梯度需要考虑所有样本，因此在大规模数据集上会导致较高的计算开销。
2）SGD（随机梯度下降法）：在每次迭代中，随机选择一个样本来计算梯度并更新模型的参数。与 BGD 不同，SGD 每次只使用一个样本，因此计算效率更高。然而，由于单个样本的梯度估计可能存在噪声，SGD 的参数更新方向更加不稳定，收敛速度也相对较慢。
3）MBSGD（小批量随机梯度下降法）：MBGD 是 BGD 和 SGD 的折中方法。在每次迭代中，随机选择一个小批量的样本来计算梯度，并根据梯度的平均值来更新模型的参数。这样可以减少计算开销，并且相对于 SGD 而言，参数更新方向更加稳定。

对于含有 n个训练样本的数据集，每次参数更新，选择一个大小为 m(m<n) 的mini-batch数据样本计算其梯度，其参数更新公式如下,其中 j 是一个batch的开始：
小批量随机梯度下降可以加速收敛，一定程度上有摆脱局部最优的能力（起码比SGD好），但是又可能会存在噪声。

2）动量法：momentum

动量（Momentum）是一种优化梯度下降算法的技术，用于加速模型参数的更新，并帮助模型跳出局部最优解。
它在训练过程中考虑了之前参数更新的方向和速度。通过将当前梯度与过去梯度加权平均，来获取即将更新的梯度。
如图b，可以看出能够加速收敛
动量项通常设置为0.9或类似值。
参数更新公式如下，其中ρ 是动量衰减率，m是速率（即一阶动量）：

3）NAG(Nesterov accelerated gradient)

暂时略过，其实它也是加速收敛的方法

4）权重衰减项（weight_decay）

weight_decay通过对模型的权重进行惩罚来减小权重的大小，用于防止模型过拟合。（简单来说就是控制了模型复杂度，即强制的使权重不会特别大，因为进行了权重衰减，大权重衰减的就多）
其实就相当于在梯度后面增加了一个wieght_decay $\times$ $\theta_{t-1}$
$g_t = g_t + \lambda\theta_{t-1}$
其实就是在梯度中，增加了权重衰减。weight_decay 用于控制模型权重衰减（weight decay）的程度。
较小的 weight_decay 值会使权重衰减的影响较小，而较大的值会使权重衰减的影响更显著。
这与岭回归类似，岭回归是在损失函数中增加了L2范数的约束，用于防止过拟合（尤其是当特征数大于样本数时，导致多重非线性）

5）总结

优点：收敛速度变快，有一定摆脱局部最优的能力
缺点：需要手动调参，例如学习率等

1.2、Pytorch实现：torch.optim.SGD

CLASS torch.optim.SGD(params, lr=<required parameter>, momentum=0, dampening=0, weight_decay=0, nesterov=False, maximize=False)
""
params(iterable)- 参数组，优化器要优化的那部分参数。
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
weight_decay(float)- 权重衰减系数，也就是 L2 正则项的系数
nesterov(bool)- bool 选项，是否使用 NAG(Nesterov accelerated gradient)
maximize(bool)- 最大化还是最小化损失函数，默认是最小化，即False
""

在这里插入图片描述

1.3、示例

SGD优化器计算过程(以线性回归为例)
建立模型为：y = w^Tx = w1x1+w2x2+w3x3
初始化：y=1*x1+1*x2+1*x3，三个参数w为[1, 1, 1]
损失函数：
l = (pred-gt)**2 = (w1x1+w2x2+w3x3) ** 2
求导（链式法则，先对pred求导，再对w求导）：
l'(w1) = 2(pred-gt)*x1
l'(w2) = 2(pred-gt)*x2
l'(w3) = 2(pred-gt)*x3输入数据：
x = tensor([ 1.0943,  1.3479, -1.6927])
预测结果：
p = 1*1.0943+1*1.3479+1*-1.6927=0.74951）当weight_decay = 0
输出梯度：grad: tensor([[ 2.8188,  3.4719, -4.3600]])
手动计算验证：
l'(w1) = 2*(0.7495- -0.5384)*1.0943=2.81869794
l'(w2) = 2*(0.7495- -0.5384)*1.3479=3.47192082
l'(w3) = 2*(0.7495- -0.5384)*-1.6927=-4.36005666权重更新：lr = 0.01
w = tensor([[0.9718, 0.9653, 1.0436]], requires_grad=True)
w1 = 1-0.01*2.81869794=0.9718130206
w2 = 1-0.01*3.47192082=0.9652807918
w3 = 1-0.01*-4.36005666=1.04360056662）当weight_decay = 0.1，lr = 0.01
输出梯度：grad: tensor([[ 2.8188,  3.4719, -4.3600]])l'(w1) = l`(w1) + 0.1*1=2.9188
w1:= 1-0.01*2.9188 = 0.9708

参考链接：https://blog.csdn.net/qq_39707285/article/details/124257377

二、Adagrad：自适应梯度

2.1、算法详解

Adagrad优化算法可以自适应调整不同参数的学习率大小，用于解决这样一个问题：常见特征（频繁特征）的参数更新较快，而不常见特征（稀疏特征）的更新较慢
Adagrad优化算法是引入了二阶动量，即 $v_t$ ，表示之前所有时间步长（iteration/epoch）的历史梯度的平方和。再将学习率变为 $\frac{\eta }{\sqrt{v_t+\varepsilon } }$ ，那么学习率就可以自适应更新：如果梯度大（更新较快），学习率就会降低；如果梯度小（更新较慢），学习率就会升高。
通过这种自适应调整学习率的方式，每个参数都分别拥有自己的学习率。使得对稀疏特征和频繁特征都能得到较好的更新效果。
总结：

优点：Adagrad可以自适应调整学习率，使得对稀疏特征和频繁特征都能得到较好的更新效果。
缺点：仍需要手工设置一个全局学习率；在分母中累积平方梯度，因此在训练过程中累积和不断增长。这会导致学习率不断变小并最终变得无限小，使模型不能继续更新。

2.2、Pytorch的实现：torch.optim.Adagrad

CLASS torch.optim.Adagrad(params, lr=0.01, lr_decay=0, weight_decay=0, initial_accumulator_value=0)
''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。
''

在这里插入图片描述

三、RMSprop

3.1、算法详解

RMSprop是对 Adagrad 的一种改进，将AdaGrad的梯度平方和累加 改为 指数加权的移动平均，参数更新公式：
RMSprop 通过对梯度平方进行移动平均来计算参数的自适应学习率。具体来说，它引入了一个衰减系数（decay rate，即 $\rho$ ，一般设为0.99），用于控制历史梯度平方的权重。
可以使学习率的调整更加平稳

3.2、Pytorch的实现：torch.optim.RMSprop

CLASS torch.optim.RMSprop(params, lr=0.01, alpha=0.99, eps=1e-08, weight_decay=0, momentum=0, centered=False）
''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）
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
''

在这里插入图片描述

四、Adam

4.1、算法详解

Adam算法结合了Momentum 和 RMSprop，并进行了偏差修正。
也可以从数学理论上解释：Adam 利用梯度的一阶矩估计（momentum）结合过去梯度的更新方向以确定当前梯度的方向，以及二阶矩估计（梯度平方的移动平均）动态的调整学习率。

1）梯度一阶矩估计（通常称为动量）：它表示先前梯度的指数加权移动平均，类似于动量优化算法中的动量项。它考虑了过去梯度的方向，并在更新时产生相关影响，有助于加速收敛。
2）梯度二阶矩估计（称为自适应学习率）：它表示先前梯度的平方的指数加权移动平均。它衡量了过去梯度大小的变化情况，用于自适应地调整学习率，使得在梯度变化较大时减小学习率，在梯度变化较小时增加学习率。

Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。
总结：

1）自适应学习率：根据梯度的二阶矩估计自动调整学习率大小，在梯度变化较大时减小学习率，在梯度变化较小时增加学习率。这种自适应性使得Adam算法对于不同参数和数据集具有较好的适应性，可以更快地收敛到最优解。
2）动量：利用梯度的一阶矩估计（动量）来考虑过去梯度的方向信息，从而加速模型训练的收敛过程。动量的引入有助于跳出局部最优解。

4.2、Pytorch的实现：torch.optim.Adam

CLASS torch.optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0, amsgrad=False)
''
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移动平均值的系数（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）
''