Adam优化器杂谈

文章来自：微信公众号【机器学习炼丹术】

最常用的Adam优化器，有着收敛速度快、调参容易等优点，但是也存在经常被人吐槽的泛化性问题和收敛问题。

因此，在很多大佬的代码中，依然会使用传统的SGD+momentum的优化器。

这篇文章就随便的谈一谈下面的问题，来让大家扩展一下知识：

• Adam被攻击的泛化问题和收敛问题；

Adam是什么

对机器学习有了解的朋友，应该对Adam优化器不陌生了。大体来说就是 Momentum + Adagrad + RMSProp 的结合。

【如果需要的话，之后可以简单易懂的通俗讲讲各种类型的优化器的算法】

从Adam和SGDM中就可以得知，Momentum是一个很好的设计。

Adam的两个吐槽

泛化问题

在讨论模型泛化问题的时候， 我们会希望模型找到的极小值（收敛位置），是一个比较平缓、不陡峭的位置！ ，原因看下图：

![]( http://helloworld2020.net/wp-...

左边的那个收敛点是一个比较平缓的点，而右边的是一个非常陡峭非常sharp的收敛点。而训练集和测试集虽然要求同分布，但是其实还是会有微小的差别。

对于陡峭的收敛点，训练集的损失可能会很小，但是测试集的损失很可能就很大。而平坦的收敛点就不会这样。这就是泛化问题，有的时候也被看成过拟合现象。

但是我们是也无法直接证明Adam总是找到sharp的极小值。不过很多很论或多或少都只指出了Adam在测试的时候error会较大。

这里有一张图，可以看到，虽然Adam在训练集中收敛速度最快，但是测试集的效果并不是非常的好。

收敛问题

但是这个问题其实并不是我们这种人经常会遇到的，反而泛化问题是一个真正的困扰。

改进Adam

learning rate scheduling

大佬们经常用的一个learning rate scheduling方案就是warn-up+decay。

【warn-up】

是指不要一开始用高的learning-rate,应该要从低的慢慢增大到base-learning rate。学习率从小到大。

【decay】

随着optimization的步数的增长，逐渐降低learning rate。

Decay的部分其实很常见，所有的人都会用，但是warn-up其实就有点诡异了，在ResNet的论文中其实可以看到这个。

RAdam

Radam 是在warm up的时候提出了一些有效的策略。