优化器 optimizer
optimizer 优化器，用来根据参数的梯度进行沿梯度下降方向进行调整模型参数，使得模型loss不断降低，达到全局最低，通过不断微调模型参数，使得模型从训练数据中学习进行特征提取的能力。目前常用的优化器有SGD,Adam,AdamW等。
SGD
随机梯度下降
从训练样本中随机选取一个进行计算梯度，然后×学习率进行调整模型参数。
优点：训练速度快，对非凸函数效果好
缺点：局部最优点或鞍点是，梯度为0，无法继续更新参数，沿平缓进展慢，而沿陡峭方向震荡，难以快速收敛
w t + 1 = w t − α ∗ g t w_{t+1}=w_t-α*g_t wt+1=wt−α∗gt
其中α为学习率，g_t为当前参数的梯度
SGD-M
SGD-with Momentum 在SGD的基础上引入一阶动量。
m t = β 1 ∗ m t − 1 + ( 1 − β ) ∗ g t m_t=β_1*m_{t-1}+(1-β)*g_t mt=β1∗mt−1+(1−β)∗gt
加入动量因素，但并未完全解决震荡幅度过大和持续更新问题，当局部沟壑较深，依然会困在局部最优点内震荡
SGD with Nesterov Acceleration
NAG全称为Nesterov Accelerated Gradient 当前通过向累积动量方向前进后，计算当时的下降方向，然后根据累积动量和下一点的梯度方向，计算当前累积动量
AdaGrad
自适应学习率算法，为了模型某个参数度量历史更新频率，使得更新频率高的参数学习率自适应降低，而更新频率低的参数自适应学习率增加，则引入了二阶动量，记录到目前为止所有梯度值的平方和
V t = ∑ r = 1 t g r 2 V_t=\sum{^t_{r=1}}g^2_r Vt=∑r=1tgr2
缺点：由于V_t单调递增，学习率不断降低，后面数据无法学习到有用信息，而且二阶向量智能表示整个学习过程全部累积，不能仅表示近期的更新频率。
AdaDelta/RMSProp
将二阶动量计算方式修改为过去一段时间的下降梯度，与SGD一阶动量计算相同，指数移动平均值大约过去一段时间平均值:
V t = β 2 ∗ V t − 1 + ( 1 − β 2 ) g t 2 V_t=β_2*V_{t-1}+(1-β_2)g^2_t Vt=β2∗Vt−1+(1−β2)gt2
Adam
将SGD的一阶动量和AdaDelta中的二阶动量结合，得到Adam，通过一阶动量和二阶动量，有效控制学习率步长和梯度方向，防止梯度振荡和静止。
调整：为了使学习率单调递减，二阶动量需要进行调整
V t = m a x ( β 2 ∗ V t − 1 + ( 1 − β 2 ) g t 2 , V t − 1 ) V_t=max(β_2*V_{t-1}+(1-β_2)g^2_t,V_{t-1}) Vt=max(β2∗Vt−1+(1−β2)gt2,Vt−1)
由于后期学习率还是低，所以可能会影响有效收敛。
Nadam
在Adam的基础上，加入了SGD with Nesterov Acceleration的策略，计算一阶动量时，先求下一步下降方向，然后回过头进行累积动量计算。
AdamW
Adam中的权重衰减weight_decay ,由于自适应学习率改变，导致不正确，AdamW
通过将权重衰减与梯度更新进行解耦，来达到更高效的权重衰减，提高优化器的表现。
Scheduler
制定一个合适的学习率衰减策略**。**可以使用定期衰减策略，比如每过多少个epoch就衰减一次；或者利用精度或者AUC等性能指标来监控，当测试集上的指标不变或者下跌时，就降低学习率。Scheduler，则是根据一定策略，多个steps或epoch后进行学习率调整。
- LambdaLR
通过设置自定义函数，进行学习率调整
-
StepLR
n e w l r = i n i t i a l l r ∗ γ e p o c h / / s i z e new_{lr}=initial_{lr}*γ^{epoch//size} newlr=initiallr∗γepoch//size
γ是超参数（0-1），size为几个epoch数目进行更新学习率 -
MultiStepLR
n e w l r = i n i t i a l l r ∗ γ b i s e c t − r i g h t ( m i l e s t o n e , e p o c h ) new_{lr}=initial_{lr}*γ^{bisect-right(milestone,epoch)} newlr=initiallr∗γbisect−right(milestone,epoch)
将StepLR中固定的size进行更新学习率，修改为递增list_size，进行调整学习率。
-
ExponentialLR
n e w l r = i n i t i a l l r ∗ γ e p o c h new_{lr}=initial_{lr}*γ^{epoch} newlr=initiallr∗γepoch
单纯的指数学习率调整，每个epoch一更新 -
LinearLR
线性学习率调整，给定起始和最终的学习率，给定更新总步长，更新步长内线性下降，超出部分保存最低学习率不变。、
-
CyclicLR
呈曲线不断上升和下降，设置谷底和峰值学习率和振幅轮次
-
CosineAnnealingLR
余弦退火学习率，设置T_max 周期的一半，最小学习率eta_min
-
SequentialLR
串联多个学习率schedulers
-
ConstantLR
常数学习率，再total_iters轮内乘以factor,以外恢复原学习率
warmup
由于刚开始训练时,模型的权重(weights)是随机初始化的，此时若选择一个较大的学习率,可能带来模型的不稳定(振荡)，选择Warmup预热学习率的方式，可以使得开始训练的几个epoches或者一些steps内学习率较小,在预热的小学习率下，模型可以慢慢趋于稳定,等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快，模型效果更佳。
idea
这里优化器都是只根据一次loss，向一个方向走一步，如果加入一些存储空间，让loss在一次下降，向不同方向走几个step之后进行比较两者loss，再选择loss低的点进行重复，可以一个梯度下降，一个随机修改。
由于Adam类的优化器学习率都会递减，那么训练数据输入顺序不同会对模型结果产生一定影响吧，可能这就是随机种子产生影响中的一个因素，为了使高质量，多样性的训练数据靠前，需要进行简单调整，可能最后模型效果会更好些。
总结
Adam和Adamw，在权重衰减哪里的数学公式有点没看明白，以后回顾的时候再努力思考一下。