目录

梯度

梯度下降

常用的梯度下降算法（BGD，SGD，MBGD）

梯度下降的详细算法

算法过程

批量梯度下降法（Batch Gradient Descent）

随机梯度下降法（Stochastic Gradient Descent）

小批量梯度下降法（Mini-batch Gradient Descent）

 梯度下降的优化算法

存在的问题

梯度下降优化的方法

 机器学习中具体梯度下降的优化算法

基于陷入局部最优的问题的优化

Momentum算法

基于学习率方面进行的梯度优化

Adam算法（Adaptive Moment Estimation）

---

参考：梯度下降（Gradient Descent）小结

梯度

概念：在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。

 意义：梯度是函数在当前位置变化最快的方向，因此可以使得损失函数很快地找到极值，损失一般是找极小值，进而用于指导训练模型中参数的更新。 

梯度下降

        首先来看看梯度下降的一个直观的解释。比如我们在一座大山上的某处位置，由于我们不知道怎么下山，于是决定走一步算一步，也就是在每走到一个位置的时候，求解当前位置的梯度，沿着梯度的负方向，也就是当前最陡峭的位置向下走一步，然后继续求解当前位置梯度，向这一步所在位置沿着最陡峭最易下山的位置走一步。这样一步步的走下去，一直走到觉得我们已经到了山脚。当然这样走下去，有可能我们不能走到山脚，而是到了某一个局部的山峰低处。

具体实施：从整体来看，当点下降最快的方向不是由某一个维度的偏导决定的1，而是由所有维度的偏导共同决定的，这也符合“梯度是变化最快的方向”和“梯度是函数对所有参数求偏导后的值的向量”这两个说法。在实际实施中，我们一般是通过偏导来指导不同参数的更新，以此来做到函数值下降得最快（梯度方向）。这就是梯度下降的本质。

        从上面的解释可以看出，梯度下降不一定能够找到全局的最优解，有可能是一个局部最优解。当然，如果损失函数是凸函数，梯度下降法得到的解就一定是全局最优解。

常用的梯度下降算法（BGD，SGD，MBGD）

梯度下降的详细算法

算法过程

一般有两种方法，一种迭代，一种矩阵运算，具体见：梯度下降（Gradient Descent）小结

批量梯度下降法（Batch Gradient Descent）

 优点：对于准确率来说，因为使用了全部样本的梯度，所以准确率会更高

缺点：但是使用了全部样本，导致在训练速度和收敛速度上都比较慢

随机梯度下降法（Stochastic Gradient Descent）

 优点：随机梯度下降就是BGD的极端，只是随机选择一个样本的梯度来指导梯度的下降，因为使用了一个样本，因此其训练速度会很快

缺点：但是非常依赖于初始值和步长的影响，有可能会陷入局部最优中，导致收敛速度慢

小批量梯度下降法（Mini-batch Gradient Descent）

在深度学习中，SGD和MBGD统称为SGD

这个梯度下降算法其实就是结合了BGD和SGD两者，采用了小批次的梯度来进行计算。

优点：分担了训练压力（小批量）、加快收敛

缺点：初始学习率难以确定、容易陷入局部最优

 梯度下降的优化算法

存在的问题

BGD、SGD以及MBGD都是比较常见的梯度算法，但是都存在以下问题：

1）学习步长（学习率）难以确定，是超参数，太大导致跳过最优解，太小收敛速度慢，可能会导致陷入局部最优；

2）参数初始值的确定，不同初始值有可能会产生不同的最优解，比如初始值分别在两座山的山顶，那得到的山脚位置自然是可能不一样的；

3）样本特征值的差异性大，变化范围大

梯度下降优化的方法

 机器学习中具体梯度下降的优化算法

基于陷入局部最优的问题的优化

Momentum算法

Momentum算法是在MBGD的基础上进行了修改，即在梯度方向上增加动量（Momentum），意思指在更新梯度时，会保留之前更新的梯度方向，然后利用当前批次的梯度进行微调

优点：

1）能够抑制梯度的震荡，在梯度与上次相同的时候梯度下降多一点，反之少一点

2）有可能跳出局部极值

基于学习率方面进行的梯度优化

Adam算法（Adaptive Moment Estimation）

优点：

1）每一次迭代的学习率都在依次确定的范围内 ，使得参数更新更加地稳定

2）使模型更加地收敛，适用于深层网络和较为复杂的场景

参考文献

https://blog.csdn.net/liuy9803/article/details/81780543

https://www.cnblogs.com/pinard/p/5970503.html

物体检测书籍