[torch]optim.sgd学习参数 torch入门笔记14:Torch中optim的sgd(Stochastic gradient descent)方法的实现细节 pytorch中使用torch.optim优化神经网络以及优化器的选择

神经网络优化器，主要是为了优化我们的神经网络，使他在我们的训练过程中快起来，节省社交网络训练的时间。在pytorch中提供了torch.optim方法优化我们的神经网络，torch.optim是实现各种优化算法的包。最常用的方法都已经支持，接口很常规，所以以后也可以很容易地集成更复杂的方法。

要使用torch.optim，您必须构造一个optimizer对象。这个对象能保存当前的参数状态并且基于计算梯度更新参数。

要构造一个Optimizer，你必须给它一个包含参数（必须都是Variable对象）进行优化。然后，您可以指定optimizer的参数选项，比如学习率，权重衰减等。具体参考torch.optim中文文档

这里主要参考加速神经网络训练 (Speed Up Training)教程比喻出来方便大家学习，如果想知道更加详细以及官方的解答，可以参考各种优化方法总结比较（sgd/momentum/Nesterov/adagrad/adadelta）

SGD是最基础的优化方法，普通的训练方法, 需要重复不断的把整套数据放入神经网络NN中训练, 这样消耗的计算资源会很大.当我们使用SGD会把数据拆分后再分批不断放入 NN 中计算. 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.

Momentum 传统的参数 W 的更新是把原始的 W 累加上一个负的学习率(learning rate) 乘以校正值 (dx). 此方法比较曲折。

我们把这个人从平地上放到了一个斜坡上, 只要他往下坡的方向走一点点, 由于向下的惯性, 他不自觉地就一直往下走, 走的弯路也变少了. 这就是 Momentum 参数更新。

AdaGrad 优化学习率，使得每一个参数更新都会有自己与众不同的学习率。与momentum类似，不过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.

RMSProp 有了 momentum 的惯性原则 , 加上 adagrad 的对错误方向的阻力, 我们就能合并成这样. 让 RMSProp同时具备他们两种方法的优势. 不过细心的同学们肯定看出来了, 似乎在 RMSProp 中少了些什么. 原来是我们还没把 Momentum合并完全, RMSProp 还缺少了 momentum 中的 这一部分. 所以, 我们在 Adam 方法中补上了这种想法.

Adam 计算m 时有 momentum 下坡的属性, 计算 v 时有 adagrad 阻力的属性, 然后再更新参数时 把 m 和 V 都考虑进去. 实验证明, 大多数时候, 使用 adam 都能又快又好的达到目标, 迅速收敛. 所以说, 在加速神经网络训练的时候, 一个下坡, 一双破鞋子, 功不可没.

SGD 是最普通的优化器, 也可以说没有加速效果, 而 Momentum 是 SGD 的改良版, 它加入了动量原则. 后面的 RMSprop 又是 Momentum 的升级版. 而 Adam 又是 RMSprop 的升级版. 不过从这个结果中我们看到, Adam 的效果似乎比 RMSprop 要差一点. 所以说并不是越先进的优化器, 结果越佳. 我们在自己的试验中可以尝试不同的优化器, 找到那个最适合你数据/网络的优化器。

PyTorch由4个主要包装组成： 1.Torch：类似于Numpy的通用数组库，可以在将张量类型转换为（torch.cuda.TensorFloat）并在GPU上进行计算。 2.torch.autograd：用于构建计算图形并自动获取渐变的包 3.torch.nn：具有共同层和成本函数的神经网络库 4.torch.optim：具有通用优化算法（如SGD，Adam等）的优化包

输入参数 首先sgd的参数有三个，1）opfunc；2）x；3）config；4）state 1）opfunc&x：第一个参数opfunc是一个求cost function以及cost function针对于权重的导数的函数，而这个函数的参数就是sgd的第二个参数x了。 举个例子，对于一个sample x=[1 x1 x2 x3 … xn]T，我们有一组初始的权重w=[w0 w1 w2 … wn]T，那么我们可以定义cost function为： cost(x)=||xT*w-y||2=||w0+w1*x1+w2*x2+…+wn*xn-y||2 dcost(x)/dw opfunc返回的就是cost(x)以及dcost(x)/dw，注意：而opfunc(x)中的参数x不是指样本，而是指权重 w。 2）config：第三个参数是一些配置变量，用来优化梯度下降用的，为了防止求得的最优解是局部最优解而不是全局最优解。 配置变量包括：learningRate（梯度下降速率），learningRateDecay（梯度下降速率的衰减），weightDecay（权重衰减），momentum（动量 or 冲量）等等 3）state：第四个变量state，个人认为最有用的就是state.evalCounter，因为它与学习速率有关，下文会有说明。　 输出参数 new x和cost（x）新的权重以及旧的权重求得的cost function的值。

学习率较小时，收敛到极值的速度较慢。 学习率较大时，容易在搜索过程中发生震荡。

为了有效限制模型中的自由参数数量以避免过度拟合，可以调整成本函数。 一个简单的方法是通过在权重上引入零均值高斯先验值，这相当于将代价函数改变为E〜（w）= E（w）+λ2w2。 在实践中，这会惩罚较大的权重，并有效地限制模型中的自由度。 正则化参数λ决定了如何将原始成本E与大权重惩罚进行折衷。

在使用梯度下降法求解目标函数func(x) = x * x的极小值时，更新公式为x += v，其中每次x的更新量v为v = - dx * lr，dx为目标函数func(x)对x的一阶导数。可以想到，如果能够让lr随着迭代周期不断衰减变小，那么搜索时迈的步长就能不断减少以减缓震荡。学习率衰减因子由此诞生：

decay越小，学习率衰减地越慢，当decay = 0时，学习率保持不变。 decay越大，学习率衰减地越快，当decay = 1时，学习率衰减最快。

“冲量”这个概念源自于物理中的力学，表示力对时间的积累效应。 在普通的梯度下降法x+=v 中，每次x的更新量v为v=−dx∗lr，其中dx为目标函数func(x)对x的一阶导数，。 当使用冲量时，则把每次x的更新量v考虑为本次的梯度下降量−dx∗lr与上次x的更新量v乘上一个介于 [0,1] [ 0 , 1 ] 的因子momentum的和，即

当本次梯度下降- dx * lr的方向与上次更新量v的方向相同时，上次的更新量能够对本次的搜索起到一个正向加速的作用。 当本次梯度下降- dx * lr的方向与上次更新量v的方向相反时，上次的更新量能够对本次的搜索起到一个减速的作用。