有人在我微信分享下来回复说想让我写梯度下降算法啦，哈哈，开心，说明我写的东西是有观众的，而且还是能帮助到一些人的。那么这篇文章我一定好好写，不负所托。
梯度下降，可以说是深度学习的基础中的基础了，前向传播，搭建网络框架，后向传播，梯度下降训练，就成了一个神经网络的全部过程。
梯度下降的算法有很多，这里，我不会将所有的算法都涉及到，但这里所谈到的优化器算法，可能是做深度学习的，一定得要知道的算法了。
据说，前面放动图，会更吸引人？
-> . <-
What is Gradient Desecnt ?
那么，什么是梯度下降呢？学习机器学习的同学们常会遇到下面这样的图像, 这个图像看上去好复杂, 不过还挺好看的，= . =。在这张图上我们做的事情是，从某一个随机的点出发，一步一步的下降到某个最小值所在的位置。
对于人来说，我们是很容易知道那条路径下降最快的，可是机器却不是那么聪明的。他们只能靠算法，找到这个最快下降的路径。这个算法，就是我们所说的梯度下降了。
其实梯度下降只是一个大的问题家族中的一员，这个家族的名字就是 - ”optimization” (优化问题)。优化能力是人类历史上的重大突破, 他解决了很多实际生活中的问题。从而渐渐演化成了一个庞大的家族.比如说牛顿法 (Newton’s method), 最小二乘法(Least Squares method), 梯度下降法 (Gradient Descent) 等等。而我们的神经网络就是属于梯度下降法这个分支中的一个。
提到梯度下降, 我们不得不说说大学里面学习过的求导求微分。因为这就是传说中”梯度下降”里面的”梯度” (gradient)啦。听到求导微分，大家不要害怕, 因为这个博客只是让你有一个直观上的理解, 并不会涉及太过复杂的数学公式推导哈。
Accelerate Gradient Desecnt
越复杂的神经网络, 就会需要越多的数据来训练, 导致我们在训练神经网络的过程中花费的时间也就越多。我们不想花费这么多的时间在训练上. 可是往往有时候为了解决复杂的问题, 复杂的结构和大数据又是不能避免的，这就让人很抓狂了。
所以我们（迫切的）需要寻找一些方法, 让神经网络聪明起来, 下降的速度快起来。常见的加速模式有以下几种：
- Stochastic Gradient Descent (SGD)
- Momentum
- AdaGrad
- RMSProp
- Adam
Stochastic Gradient Descent
随机梯度下降，应该是最基础的一种加速算法了，Gradient Descent 利用全部数据，来计算梯度下降的方向，这肯定是能找到最优的下降方向，但是同时也造成了计算量过大，时间过长的后果。
我们换一种思路, 如果把这些训练数据拆分成小批小批的, 然后再分批不断放入 NN 中计算, 这就是我们常说的 SGD 的正确打开方式了. 每次使用批数据, 虽然不能反映整体数据的情况, 不过却很大程度上加速了 NN 的训练过程, 而且也不会丢失太多准确率.
例如，上图中，如果我们是梯度下降的话，我们每一步都会走最正确的下降方向，不会走弯路，那就是图中红色线所表示的走法，如果是随机梯度下降的话，就是紫色线路所代表的走法，他可能会绕一些弯路，但是扭扭曲曲，却还是能朝着最小值的地方走过去。
注意，往往随机梯度下降，不会刚刚好就找到最小的地方，可能会在最小值附近转来转去的。
Momentum
如果说在训练的时候，我们觉得随机梯度下降 SGD 算法依然太慢了，怎么办呢？这时，我们就可以考虑使用 Momentum 了，Momentum 算法它是可以帮助到快速的梯度下降的。
在真正进入到算法讲解之前，我们先来大致看一下，在大多数训练的过程中，那些曲折无比的学习过程吧。
例如上图中的梯度下降的例子，这个梯度下降的过程，很像是在某一个轴附近摆来摆去，虽然确实是一直朝着中间的洼地在走着，但是好像来回的摆动确实是浪费了许多步骤，看上去像一个喝醉了的人，晃晃悠悠的向着地低走去。
实际上，由于真实的训练过程中，维度远比 2 要高的多，这种无意义的摆动的情况出现的情况，出现的次数非常多。
那么 Momentum 就是发现了这种问题，对 SGD 算法做了一些改进。一句话来概括它的特点的话，那就是：计算在梯度下降的方向上，计算一个指数加权平均（ Exponentially weighted average ），利用这个来代替权重更新的方法。
用通俗一点的方法来说，就是“如果梯度下降显示，我们在一直朝着某一个方向在下降的话，我让这个方向的的学习速率快一点，如果梯度下降在某一个方向上一直是摆来摆去的，那么就让这个方向的学习速率慢一点”。
我们可以先来看一下，Momentum 减少摆动的效果。
没有 Momentum 的 Gradient Descent
有 Momentum 的 Gradient Descent
上面两张图，就是我们没有加入，和加入了 Momentum 之后的梯度下降的变化，可以看到，有了 Momentum 之后，算法加速了横轴下降的速度，并减缓了纵轴的摆动的频率，所以在最终的训练过程中，它的步伐迈的更大，也更正确了，对比原来没有 Momentum，仅仅四步，就离最终的最小值更近了许多。
Exponentially Weighted Average
如果你只是想知道 Momentum 的大致原理，不想知道 Momentum 的细节的话，那么这一部分你是可以跳过的啦。
前面我们提到，Momentum 是用到滑动平均来获得平滑波动的效果的。那么什么是滑动平均呢？
滑动平均实际上是一种用来处理“数字序列”的方法，你们玩的股票里面的各种多少天的线，周线，月线，年线，等等，都是这种方法弄出来的。具体是怎么做的呢？假设，我们有一些带噪音的序列的序列 S。在这个例子中，我绘制了余弦函数并添加了一些高斯噪声。它看起来像这样：
请注意，即使这些点看起来非常接近每个点，但它们都不共享 x 坐标。这是每个点的唯一编号。这是定义我们序列 S 中每个点的索引的数字。
我们想要对这些数据进行处理，而不是使用这些数据，我们需要某种“移动”平均值，这会使数据“降噪”并使其更接近原始功能。指数平均值可以给我们一张看起来像这样的图片：
正如你所看到的那样，这是一个相当不错的结果。我们得到了更平滑的线条，而不是具有很多噪音的数据，这比我们的数据更接近原始功能。指数加权平均值用以下等式定义新的序列 V ：
序列 S 是我们原始的带噪音的序列，序列 V 是我们经过滑动平均得到曲线，也就是上面绘制的黄色。 Beta 是一个从 0 到 1 的超参数。上面的 beta = 0.9。这是一个非常常用的值，最常用于带 Momentum 的 SGD。我们对序列的最后做 1 /（1- beta）进行近似平均。
让我们看看beta的选择如何影响我们的新序列 V 的吧。
正如上图所示，beta 值越大，曲线与含有噪音的值越接近，beta 越小，曲线越平滑。
接下来，我们来一波数学公式推导吧。
如果我们一步一步的将生成新序列的方程展开的话，就会发现是这样的关系。
将下面的公式一步一步带入上面。
然后再简化一下。就得到了这样的东西。
简单说一下上面公式的意义吧，如果你不想看公式的话，其实就是说，生成的新序列，离得越近的数据，对它的影响越大，离得越远的数据，因为 beta 已经被乘了好多次方了，所以影响就小了许多，这也就是 Exponentially （指数）滑动平均的意义所在。
Why Momentum Works ?
我们已经定义了一种方法来获得某个序列的“移动”平均值，而且这种平均值会与数据一起变化。那么我们如何将它应用于训练神经网络呢？
这里，我给出 Andrew Ng 在 coursera 的 Deep Learning Specialisation 中的定义。他的解释 Momentum 的方式是，我们定义了一个动量，这个动量 Momentum 就是我们渐变的移动平均值，它会取决于前面的梯度下降的值的大小。然后我们用它来更新网络的权重。这可以写成如下：
上图中的 L 是 loss function，倒三角形状的东西，是梯度，alpha 是学习速率，beta 就是控制我们滑动平均的平滑指数的一个参数。
那么从数学公式的角度上来说，Momentum 为什么是可以达到加速的效果的呢。请记住一点就好，Momentum 带有了滑动平均，滑动平均会将上下浮动的噪音式特征抹去，也即是我们在上图中看到的摆来摆去的动作幅度，就被滑动平均给抹平啦，但是如果你一直在朝着某一个方向走的话，滑动平均是抹不平的，
Momentum 还有一个好处，就是可以冲出局部最优解，或者某一些梯度为 0 的地方，这也是因为滑动平均使他带有一定的惯性，能冲出洼地。
Nesterov Accelerated Gradient
Nesterov Momentum 是一个稍有不同的 Momentum 更新版本，最近很流行。在这个 Nesterov 中，我们首先查看当前动量所指向的点，然后计算此时的梯度。如下图所示
Nesterov Momentum 的计算公式可以表示为：
它唯一的区别是 W 变成了 W - Vt，但这里我并不打算细说 Nesterov Momentum 了，我们直接来看一个梯度下降的对比图吧。
可以看出 Nesterov Momentum 比单纯的 Momentum 要少走了许多弯路，更直接的走向洼地。
AdaGrad
AdaGrad 是另外一种非常常见的梯度下降的优化方法，他的主要思想就是，在比较晃荡的下降方向上，给予一定的阻力，让你不要那么的晃，晃得越厉害，就阻力越大，导致你不能晃。具体的做法，我们看一下 AdaGrad 的计算方法来说明吧。
首先，在梯度下降的方向上，我们会有一个变量 grad_squared 存储在该方向上的变化的平方的累积，也就是说，如果在这个方向上，如果波动一直很大的话，这个 += 操作会让这个方向上的 grad_squared 越来越大，相对应的，而如果变化一直很小，这个方向上，不怎么晃的话，grad_squared 也会一直比较小。
注意，这里的看上去是变量的东东，实际上都是 vector 哈，numpy 的乘法和除法，都是对每一个元素进行的，而不是我们传统意义上的向量点乘。
记下来，在计算梯度变化的时候，我们会额外的除以一个因子，这个因子是用来操控梯度下降真实的变化大小的，即是说，按照公式，如果前面的 grad_squared 累积的越大，那么在该方向上，除数就越大，导致在这个方向上，后来就很难移动了，同理，前面的累积越小，在这个方向上，梯度的变化也就越大。
形象的来说，AdaGrad 的作用和 Momentum 类似, 不过 AdaGrad 不是给喝醉酒的人安排另一个下坡, 而是给他一双不好走路的鞋子, 使得他一摇晃着走路就脚疼, 鞋子成为了走弯路的阻力, 逼着他往前直着走。
Problems With AdaGrad ?
细心的同学不难发现，AdaGrad 是很明显的存在着一个问题的：
- grad_squared 是一个一直累积的过程，那么积少成多，哪怕是在一些方向上，它的波动一直很小，但是由于是不停的迭代增加， grad_squared 最终也会变得很大，导致在训练的后期，任意一个方向上，都有着很大的阻力，梯度下降就走不下去了。
RMSProp
RMSProp 基于 AdaGrad，进行了一些小小的改动，也解决了我们上面提出来的，在随着训练时间增长，AdaGrad 的步伐会变得很小的问题。RMSProp 的做法是这样的：
简单对比一下 RMSProp 与 AdaGrad ，会发现 RMSProp 在计算 grad_squared 的时候，加上了一个 decay （衰减率）的东西，这样造成的效果即是，既保留了 AdaGrad 的特性，又不会一直过分增加 grad_squared 导致最后阻力过大。
如果我们对比一下 RMSProp 以及 Momentum 的下降效果，会发现 Momentum 由于带着冲量，走的很快，往往是先走过头了，然后再走回头路，找到最终的最优化的位置，而 RMSProp 则是在走的过程中，不停的在调节着自己，朝着最正确的地方走去。
Adam
实际上，前面的梯度下降的优化方法，我们是有两种思路的，一种是 Momentum 派系，他们的思想就是，让下降带冲量，另一种是 AdaGrad 派系，他们的思想则是波动太大，就给你阻力，防止你波动。这两种思想都非常不错，那有没有可能，将两种思想结合到一起呢？答案是有的，那就是 Adam。
如上图所示，红色部分来自于 Momentum，蓝色部分来自于 RMSProp。那么这种非常 naive 的合并两个算法，会不会有问题呢？
考虑一下在我们梯度下降的第一步的时候，会怎样。看 second_momentum，由于最开始的初始化的时候，second_momentum 是 0，且beta2 的值，我们也一般会设置成 0.99 这样的比较接近 1 的值，就会导致 second_momentum 在第一步的时候，值会非常的小。在最后算梯度更新的时候，如果除以这么一个很小的值，那么第一步的步伐会变得很大。
我们知道最开始的步伐太大，不是很好，所以 Adam 在处理的过程中，加入了一定的 bias，这样的话，就可以防止最开始的时候步伐过长了。
通常，我们会选择 0.9 作为 beta1 的值，0.99 作为 beta2 的值，1e-3 或者 5e-4 作为 learning rate。这些参数对于绝大多数的模型都能取到不错的效果。
如果我们这个时候，对比一下 Adam 与其他的梯度下降的算法的话，会发现 Adam 实际上是中和了前两种的，速度比较快，也不容易走偏。
Visualization of Algorithms
下面这个动画（图片来源：Alec Radford）为大多数所提出的优化方法的优化行为提供了一些直觉。在这里也可以看看Karpathy对同样图像的描述，以及所讨论算法的另一个简要概述。
这张图也算比较老的图了，有一些里面涉及的算法我在这篇博客里没有提到，而我提到的 Adam 它也没有画出来，所以将就着看一下吧。
这里可以看到的是 Momentum 系的梯度下降方法，像一头脱缰的野马一样，虽然速度很快，却很容易冲过头了，AdaGrad 系的速度虽然慢一些，但是却一直在不断调整自己，往着正确的方向在走。而 SGD 则像一个勤勤恳恳的老牛，每次都走着正确的方向，却慢的要死。这里补充一下 Adam 的下降速度和方向，大概就是介于 Momentum 和 AdaGrad 系之间。
Which Optimizer to Use ?
最后的最后，我们来简单说一下，我们应该使用哪个优化器吧？如果我们的输入数据很稀少，那么可能会使用自适应学习率方法中的一种，来获得最佳结果。这样的一个好处是，我们不需要调整学习速率，它可能就会达到默认值的最佳结果。
自适应学习率方法中，RMSprop 是 AdaGrad 的延伸，它解决了其学习速度急剧下降的问题，Adam 最后为 RMSprop 增加了偏差修正和动力。就此而言，RMSprop 和 Adam 是非常相似的算法，在相似的情况下，Kingma等人表明，偏差修正有助于 Adam 在优化结束时略微优于 RMSprop ，因为梯度变得更加稀疏。就目前而言，Adam 可能是最好的整体选择。
一个比较有意思的事情是，看似最不好的 SGD 下降方法（因为它花费的时间最长），有时却能达到最好的学习效果。如果想要做到这一点，我们需要三个重要的地方下额外的功夫：
- 1. 一个非常好的初始值的设定。
- 2. 学习速率的 decay
- 3. 类似于模拟退火算法的让梯度下降不要卡在鞍部
当然，如果你不想要这么复杂的话，Adam 应该能满足你的需求了。