一、为什么SGD不够完美

1. 在输入参数的系数相差较为巨大的时候，比如： 的时候，由于参数  变化对于y的影响比参数  变化要小得多，那么在更新参数的时候，对于x1的更新就很不明显，虽然上式的最小值明显在 处，但是如果选择初始值 可能最终收敛到的地方是。

2. 学习率对SGD影响也很大，如果选择得过大，可能最终无法收敛；选择得不适合，可能收敛速度很慢；选择得过小，学习效率太低。

二、什么是Momentum、AdaGrad、Adam方法，这些优化器孰优孰劣？

Momentum：    

AdaGrad:    

Adam: 融合了Momentum和AdaGrad方法。

下面是四种方法在MNIST数据集上的比较：与 SGD 相比，其他 3 种方法学习得更快，而且速度基本相同，仔细看的话，AdaGrad 的学习进行得稍微快一点。这个实验需要注意的地方是，实验结果会随学习率等超参数、神经网络的结构（几层深等）的不同而发生变化。不过，一般而言，与 SGD 相比，其他 3 种方法可以学习得更快，有时最终的识别精度也更高。

 

三、如何设定好的权重初始值？

1. 权重的初始值不要全部设为0，会导致对称结构，使得权重无法更新；

2. 剩下两个还没理解。

四、如何用Batch normalization加速学习？

Batch Norm，顾名思义，以进行学习时的 mini-batch 为单位，按 mini-batch 进行正规化。具体而言，就是进行使数据分布的均值为 0、方差为 1 的正规化。用数学式表示的话，如下所示。将 mini-batch 的输入数据  变换为均值为 0、方差为 1 的数据 。通过将这个处理插入到**函数的前面（或者后面），可以减小数据分布的偏向。