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。

关于两个优化器的比较，仁者见仁智者见智，可以看一下这篇文章，有简单的关于这两个优化器的代码实现和效果比较： Pytorch的SGD,SGDM,Adam,RAdam的代码实现

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；

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。

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-content/uploads/2020/06/wp_editor_md_28b8d0244f6d95a3cb4e7e926418d921.jpg

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。

Adam在某些情况下会出现无法收敛的情况，最著名的关于这个问题的Adam的吐槽就是这个论文： 2018 ICLR的best paper：On the Convergence of Adam and Beyond

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。

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 是在warm up的时候提出了一些有效的策略。