优化算法
1. Mini-batch 梯度下降
在巨大的数据集上进行训练，速度非常慢，如何提高效率？
前面我们学过向量化可以较快的处理整个训练集的数据，但是如果样本非常的大，在进行下一次梯度下降之前，你必须完成前一次的梯度下降。如果我们能先处理一部分数据，算法速度会更快。
把训练集分割为小一点的子集（称之 mini-batch）训练，即Mini-batch 梯度下降。
对比：
- batch 梯度下降法：指的就是前面讲的梯度下降法，每次需要同时处理整个训练集
- mini-batch梯度下降：每次处理的是单个的 mini-batch 训练子集
2. 理解 mini-batch 梯度下降
mini-batch 梯度下降，每次迭代后 cost 不一定是下降的，因为每次迭代都在训练不同的样本子集，但总体趋势应该是下降的。
mini-batch 的 size 大小：
- 大小 = m，就是batch梯度下降法
- 大小 = 1，就是随机梯度下降
3. 指数加权平均数
假设， v 0 = 0 ， v t = β ∗ v t − 1 + ( 1 − β ) ∗ θ t v_0 = 0，v_t = \beta*v_{t-1}+(1-\beta)*\theta_t v0=0，vt=β∗vt−1+(1−β)∗θt，选取不同的 β \beta β 值，得到相应的气温曲线。
4. 理解指数加权平均数
假如 β = 0.9 ， t = 100 \beta = 0.9，t=100 β=0.9，t=100，将上面的带进去求 v 100 v_{100} v100
v 100 = 0.1 θ 100 + 0.9 ( 0.1 θ 99 + 0.9 ( 0.1 θ 98 + 0.9 v 97 ) ) 0 v_{100}=0.1 \theta_{100}+0.9\left(0.1 \theta_{99}+0.9\left(0.1 \theta_{98}+0.9 v_{97}\right)\right)_{0} v100=0.1θ100+0.9(0.1θ99+0.9(0.1θ98+0.9v97))0
v 100 = 0.1 θ 100 + 0.1 × 0.9 θ 99 + 0.1 × ( 0.9 ) 2 θ 98 + 0.1 × ( 0.9 ) 3 θ 97 + 0.1 × ( 0.9 ) 4 θ 96 + … v_{100}=0.1 \theta_{100}+0.1 \times 0.9 \theta_{99}+0.1 \times(0.9)^{2} \theta_{98}+0.1 \times(0.9)^{3} \theta_{97}+0.1 \times(0.9)^{4} \theta_{96}+\ldots v100=0.1θ100+0.1×0.9θ99+0.1×(0.9)2θ98+0.1×(0.9)3θ97+0.1×(0.9)4θ96+…
好处：代码简单，占用内存极少。
v θ = 0 ， v t : = β ∗ v θ + ( 1 − β ) ∗ θ t v_\theta = 0，v_t := \beta*v_\theta+(1-\beta)*\theta_t vθ=0，vt:=β∗vθ+(1−β)∗θt
当然，它并不是最好、最精准的计算平均数的方法。
5. 指数加权平均的偏差修正
6. 动量Momentum梯度下降法
介绍：与 SDG 结合使用的一种常用方法叫做 Momentum。Momentum 不仅会使用当前梯度，还会积累之前的梯度以确定走向。
思想：计算梯度的指数加权平均数，利用该梯度更新权重。
上图情况下，标准的梯度下降会上下波动，且要使用较小的学习率，否则会偏离更远。
如果我们使用过去梯度的加权平均，纵向的就抵消了一些，横向的叠加了一些，可以更平滑的快速找向最优点
v d W = β v d W + ( 1 − β ) d W v d b = β v d b + ( 1 − β ) d b W : = W − α ∗ v d W b : = b − α ∗ v d b \begin{aligned} v_{d W}&=\beta v_{d W}+(1-\beta) d W \\ v_{d b}&=\beta v_{d b}+(1-\beta) d b \\ \\ W&:=W-\alpha * v_{d W} \\ b&:=b-\alpha * v_{d b} \end{aligned} vdWvdbWb=βvdW+(1−β)dW=βvdb+(1−β)db:=W−α∗vdW:=b−α∗vdb
- 超参数有 α ， β ( β \alpha，\beta (\beta α，β(β 经常取 0.9)
- 如果想偏差修正， v d W , v d b v_{d W},v_{d b} vdW,vdb 还要除以 1 − β t 1-\beta^{t} 1−βt，实际上人们不这么做，10次迭代之后，偏差就基本很小了
- 在实际使用过程中，往往会把 ( 1 − β ) (1-\beta) (1−β)去掉
动量梯度下降法，并不是对所有情况都有效，它对碗状的优化效果较好
7. RMSprop
全称是 root mean square prop 算法，它也可以加速梯度下降
微分平方的加权平均数：
S d W = β S d W + ( 1 − β ) ( d W ) 2 S d b = β S d b + ( 1 − β ) ( d b ) 2 W : = W − α ∗ d W S d W + E b : = b − α ∗ d b S d b + E \begin{aligned} S_{d W}&=\beta S_{d W}+(1-\beta)(d W)^{2}\\ S_{d b}&=\beta S_{d b}+(1-\beta)(d b)^{2}\\\\ W&:=W-\alpha * \frac{d W}{\sqrt{S_{d W}}+\mathcal{E}}\\ b&:=b-\alpha * \frac{d b}{\sqrt{S_{d b}}+\mathcal{E}}\\ \end{aligned} SdWSdbWb=βSdW+(1−β)(dW)2=βSdb+(1−β)(db)2:=W−α∗SdW+EdW:=b−α∗Sdb+Edb
E = 1 e − 8 \mathcal{E} = 1e^{-8} E=1e−8 保证分母不为 0
RMSprop 跟 Momentum 有很相似的一点，可以消除梯度下降和mini-batch梯度下降中的摆动，并允许你使用一个更大的学习率，从而加快你的算法学习速度。
8. Adam 优化算法
Adam (Adaptive Moment Estimation) 优化算法基本上就是将 Momentum 和 RMSprop 结合在一起
初始化： v d W = 0 , S d W = 0 , v d b = 0 , S d b = 0 v_{d W}=0, S_{d W}=0, v_{d b}=0, S_{d b}=0 vdW=0,SdW=0,vdb=0,Sdb=0
t 次迭代
Momentum：
v d W = β 1 v d W + ( 1 − β 1 ) d W v d b = β 1 v d b + ( 1 − β 1 ) d b \begin{aligned} v_{d W}&=\beta_{1} v_{d W}+\left(1-\beta_{1}\right)dW\\ v_{d b}&=\beta_{1} v_{d b}+\left(1-\beta_{1}\right)db \end{aligned} vdWvdb=β1vdW+(1−β1)dW=β1vdb+(1−β1)db
RMSprop：
S d W = β 2 S d W + ( 1 − β 2 ) ( d W ) 2 S d b = β 2 S d b + ( 1 − β 2 ) ( d b ) 2 \begin{aligned} S_{d W}&=\beta_{2} S_{d W}+\left(1-\beta_{2}\right)(d W)^{2}\\ S_{d b}&=\beta_{2} S_{d b}+\left(1-\beta_{2}\right)(d b)^{2} \end{aligned} SdWSdb=β2SdW+(1−β2)(dW)2=β2Sdb+(1−β2)(db)2
偏差修正：
v d W corrected = v d W 1 − β 1 t v d b corrected = v d b 1 − β 1 t S d W corrected = S d W 1 − β 2 t S d b corrected = S d b 1 − β 2 t \begin{aligned} v_{d W}^{\text {corrected }}&=\frac{v_{d W}}{1-\beta_{1}^{t}}\\ v_{d b}^{\text {corrected }}&=\frac{v_{d b}}{1-\beta_{1}^{t}}\\ S_{d W}^{\text {corrected }}&=\frac{S_{d W}}{1-\beta_{2}^{t}}\\ S_{d b}^{\text {corrected }}&=\frac{S_{d b}}{1-\beta_{2}^{t}} \end{aligned} vdWcorrected vdbcorrected SdWcorrected Sdbcorrected =1−β1tvdW=1−β1tvdb=1−β2tSdW=1−β2tSdb
更新权重：
W : = W − α ∗ v d W corrected S d W corrected + ε b : = b − α ∗ v d b correted S d b corrected + ε \begin{aligned} W&:=W- \alpha*\frac{ v_{d W}^{\text {corrected }}}{\sqrt{S_{d W}^{\text {corrected }}}+\varepsilon}\\ b&:=b- \alpha*\frac{v_{\mathrm{db}}^{\text {correted }}}{\sqrt{S_{\mathrm{db}}^{\text {corrected }}}+\varepsilon} \end{aligned} Wb:=W−α∗SdWcorrected +εvdWcorrected :=b−α∗Sdbcorrected +εvdbcorreted
Adam算法结合了 Momentum 和 RMSprop 梯度下降法，并且是一种极其常用的学习算法
其被证明能有效适用于不同神经网络，适用于广泛的结构
9. 学习率衰减
慢慢减少 学习率 的本质在于，在学习初期，使用较大的步伐，开始收敛的时候，用小一些的学习率能让步伐小一些
- 对不同的 mini-batch 进行训练，一次称之为 epoch
α = 1 1 + decayRate ∗ epochNum ∗ α 0 \alpha=\frac{1}{1+\text { decayRate } * \text { epochNum }} * \alpha_{0} α=1+ decayRate ∗ epochNum 1∗α0
还有些其他的方法:
α = 0.9 5 epochNum α 0 α = k e p o c h N u m α 0 α = k t α 0 , t 为mini-batch的数字 \begin{gathered} \alpha=0.95^{\text {epochNum }} \alpha_{0} \\ \alpha=\frac{k}{\sqrt{e p o c h N u m}} \alpha_{0} \\ \alpha=\frac{k}{\sqrt{t}} \alpha_{0}, t \text { 为mini-batch的数字 } \end{gathered} α=0.95epochNum α0α=epochNumkα0α=tkα0,t 为mini-batch的数字
还有离散下降学习率, 即 不是每步都下调学习率
10. 局部最优的问题
高维度空间中，我们不太可能遇见（概率很低）如上图所示的局部最优点，因为需要这么多的维度方向上都梯度为 0（概率很低）
所以更有可能遇到的是鞍点
基本不会遇见局部最优问题，可能遇见的是平稳段减缓了学习速度，该区域梯度接近于 0 ，要很长时间才能走出去。Momentum 或 RMSprop，Adam 能够加快速度，让你尽早 走出平稳段。
