Adam 优化器原理及其与 SGD 的不同

编辑日期: 2024-07-16 文章阅读: 次

Adam 优化器原理

Adam（Adaptive Moment Estimation）是一个结合了动量和 RMSProp 优点的优化算法。它利用梯度的一阶矩估计和二阶矩估计动态调整学习率，适用于处理稀疏梯度问题和大规模数据集。Adam 通过计算梯度的一阶和二阶矩的移动平均值来实现这一点。

算法步骤

Adam 算法的更新规则如下：

第一，初始化参数：

\(m_0 = 0\)（一阶矩估计的初始值）

\(v_0 = 0\)（二阶矩估计的初始值）

\(t = 0\)（时间步）

设置学习率 \(\alpha\)、一阶矩估计的衰减率 \(\theta_1\)、二阶矩估计的衰减率 \(\theta_2\)，以及防止分母为零的小常数 \(\epsilon\)。

第二，梯度计算：

计算损失函数 \(L(\theta)\) 对参数 \(\theta\) 的梯度 \(g_t = \nabla L(\theta_t)\)。

第三，更新一阶矩估计：

\[ m_t = \theta_1 \cdot m_{t-1} + (1 - \theta_1) \cdot g_t \]

第四，更新二阶矩估计：

\[ v_t = \theta_2 \cdot v_{t-1} + (1 - \theta_2) \cdot g_t^2 \]

第五，计算偏差校正：

\[ \hat{m}_t = \frac{m_t}{1 - \theta_1^t} \]

\[ \hat{v}_t = \frac{v_t}{1 - \theta_2^t} \]

第六，参数更新：

\[ \theta_{t+1} = \theta_t - \alpha \cdot \frac{\hat{m}_t}{\sqrt{\hat{v}_t} + \epsilon} \]

用法示例

import torch
import torch.nn as nn
import torch.optim as optim

model = nn.Linear(10, 1)

criterion = nn.MSELoss()

optimizer = optim.Adam(model.parameters(), lr=0.001)

inputs = torch.randn(32, 10)  # 假设有 32 个样本，每个样本有 10 个特征
targets = torch.randn(32, 1)  # 假设对应的 32 个目标值

outputs = model(inputs)
loss = criterion(outputs, targets)

optimizer.zero_grad()  # 清空梯度
loss.backward()        # 计算梯度
optimizer.step()       # 更新参数

关键参数

• params：模型参数，可以是模型的参数列表或模型参数的迭代器。
• lr：学习率，控制每次参数更新的步长。
• momentum（可选）：动量因子，默认为 0。
• weight_decay（可选）：权重衰减（L2 正则化），默认为 0。
• dampening（可选）：动量的抑制因子，默认为 0。
• nesterov（可选）：布尔值，指示是否使用 Nesterov 动量，默认为 False。

动量

动量（Momentum）是 SGD 的一种扩展，用于加速收敛并减小震荡。其更新规则为：

\[ v_t = \mu v_{t-1} + \eta \nabla L(\theta_{t-1}) \]

\[\theta_t = \theta_{t-1} - v_t \]

其中，\(v_t\) 是动量项，\(\mu\) 是动量因子。

Adam 与 SGD 的不同

1. 梯度动量

• SGD：标准 SGD 直接使用当前梯度进行参数更新。如果加入动量，SGD 可以通过动量项累积之前的梯度信息，使得优化过程更加平滑。

• Adam：Adam 结合了一阶矩（动量）和二阶矩（梯度平方的移动平均）来调整每个参数的学习率。这样可以使优化过程更稳定，并且更快地收敛。

2. 学习率调整

• SGD：通常需要手动调整学习率，学习率在训练过程中保持不变或根据预先设定的计划逐步降低。

• Adam：学习率根据梯度的一阶和二阶矩动态调整，每个参数都有独立的学习率，适应性更强，通常不需要手动调整。

3. 偏差校正

• SGD：没有偏差校正。

• Adam：引入了偏差校正，尤其是在初始阶段，保证了估计值的无偏性。

4. 超参数

• SGD：主要超参数是学习率 \(\alpha\)，如果使用动量，还有动量因子 \(\theta\)。

• Adam：主要超参数包括学习率 \(\alpha\)、一阶矩估计的衰减率 \(\theta_1\)、二阶矩估计的衰减率 \(\theta_2\)，以及防止分母为零的小常数 \(\epsilon\)。

总结

Adam 优化器通过结合动量和自适应学习率调整机制，提供了比标准 SGD 更加鲁棒和高效的优化方法，特别适合处理稀疏梯度和大规模数据集的问题。两者在应用中的选择取决于具体的任务需求和数据特性。

Site Views: Visitors: