1深度学习算法本技----优化器
深度学习算法的本质是优化，实现的途径就是通过调整参数，使得损失尽可能的小。优化器就是实现优化的手段，它沿着损失函数导数的反方向调整参数，使得损失函数取值尽可能的小，从而达到优化的目的。
常见的优化器算法是随机梯度下降（Stochastic Gradient Descent，SGD）算法，以及在随机梯度下降算法基础上改进而来的自适应算法。
2随机梯度下降
按照参数更新时计算梯度所使用样本数量不同来划分,优化器可以划分成批量梯度下降（Batch Gradient Descent，BGD）、随机梯度下降（Stochastic Gradient Descent，SGD）以及小批量梯度下降（Mini-Batch Gradient Descent，MBGD）。
批量梯度下降，是指每一次迭代时，使用全部样本来计算梯度。批量梯度下降的优点是优化过程更稳定，如果损失函数是凸函数，那么，批量梯度更新一定能够找到最优解；缺点是，当样本数据量很大时，由于每一次迭代都需要计算所有样本的梯度，所以，计算过程非常耗时。随着深度学习的发展，样本数据规模也越来越大，批量梯度下降耗时的缺点也越来越凸显。
随机梯度下降，是指每一次迭代时，随机选择一条样本数据来计算梯度。显然，在随机梯度下降算法的每一轮训练的参数更新次数更多。同时由于随机梯度下降的计算量很小，所以，随机梯度下降算法的耗时短、速度快。随机梯度下降的缺点主要有：模型的准确率不如批量梯度下降算法高；可能会收敛域局部最优解，即使损失函数是凸函数也有可能找不到全局最优解；不易实现并行计算，难以充分利用现代计算资源强大的并行计算能力。
小批量梯度下降，是对批量梯度下降和随机梯度下降两种算法折中。通过设置一个批次规模（Batch Size）参数，每一次迭代时，采用该批次数量的样本数据来计算梯度。可以看出，当批次规模等于样本数据的数量时，小批量下梯度下降就是批量梯度下降；当批次规模等于1时，小批量梯度下降时随机梯度下降。
小批量梯度下降是使用最多、最常见的优化算法。在实际应用中，经常会省略前面的“小”字，采用随机梯度下降来代指小批量梯度下降。
3自适应优化器
早期，优化器学习率的设置多采用指数衰减法。当初始学习率和衰减率都是已知的情况下，指数衰减法的每个训练步骤的学习率也是固定的，所以，指数衰减法有可能出现学习率衰减过快、或者学习率衰减过慢的问题。衰减过快是指，模型的参数距离最优解依然很远，但是，此时的学习率已经很小、导致模型需要很长的时间才能拟合；衰减过慢是指，模型已经接近最优解，但是，此时学习率依然很大、模型越过最优解来回震荡，同样会导致模型难以拟合，或者说模型训练困难。
针对以上不足，现代的优化器多采用自适应算法，能在优化过程中动态的调整学习率。比如，引入动量（Momentum）概念，判断本次更新的梯度方向与上一次方向是否一致，如果一致，说明距离最优解很远，就在本次优化的幅度上叠加上一次的优化幅度；如果方向不一致，说明已经越过最优解，就将本地的优化服务减去上一次的优化幅度、降低优化步幅。除了动量之外，有的算法还能各个参数梯度的大小，给不同参数设置不同的学习率，加速模型拟合。
自适应算法能够大幅度提高模型的拟合速度，广泛的应用在深度学习的各个场景中。
4常用优化器简介
常用的优化器都会或多或少的采用自适应优化算法。
4.1.SGD
最常见的优化器是随机下降优化器。在默认的情况下，它的出示学习率会设置为0.01，动量的系数设置为0.0（不采用动量技术）。构造函数如下：
代码语言：javascript复制__init__(
learning_rate=0.01,
momentum=0.0,
nesterov=False,
name='SGD',
**kwargs
)
4.2.Adam
Adam是最简单、易用的优化器，可以适用于各种常见场景。如果您不知道该选择哪一个优化器，那么，Adam优化器就是您最佳选择。从它的构造函数不难理解这一点，在模型情况下，它的初始学习率设置为很小的0.001、同时设置了动量系统0.9和0.999，再结合自适应优化算法Adam在多个常见的业务场景中都能有出色表现。构造函数如下：
代码语言：javascript复制__init__(
learning_rate=0.001,
beta_1=0.9,
beta_2=0.999,
epsilon=1e-07,
amsgrad=False,
name='Adam',
**kwargs
)
本文选自----《GAN生成对抗神经网络原理与实践》一书中，经授权此公号。
