pytorch 入门【task06】PyTorch理解更多神经网络优化方法

本系列博客为跟随开源组织Datawhale学习小组的学习过程记录，任务内容及相关数据集为Datawhale开源组织搜集并无偿提供，饮水思源，特此宣传，欢迎关注Datawhale。

1、了解不同优化器
2、书写优化器代码

• Momentum
• 二维优化，随机梯度下降法进行优化实现
• Ada自适应梯度调节法
• RMSProp
• Adam
• PyTorch种优化器选择
  参考资料：PyTorch 中文文档
  http://t.cn/RoUCYdB
  https://www.leiphone.com/news/201706/e0PuNeEzaXWsMPZX.html ☆推荐
  https://www.cnblogs.com/lliuye/p/9451903.html

常见优化器：

• 梯度下降：常用三种变形：BGD（批量梯度下降），SGD（随机梯度下降），MBGD（小批量梯度下降），三种形式对应不同数据量的情况。他们的代价函数为：
  $J(\theta_0, \theta_1) = \frac{1}{2m} \sum_{i=1}^{m}(h_{\theta}(x^{(i)}) - y^{(i)})^2$J(θ0​,θ1​)=2m1​i=1∑m​(hθ​(x(i))−y(i))2
  这里涉及一个trade-off的概念，即参数更新的准确率和运行时间，通过这两个维度来度量三种形式的优劣。
  1、BGD（Batch gradient descent，批量梯度下降）
  梯度更新规则：
  BGD是我们入门学到的第一个优化方法，采用整个训练集的数据来计算cost function对参数的梯度。

  缺点：BGD是在一次更新中，对整个数据集计算梯度，在数据量规模不大时，计算速度慢的问题还不明显，但是随着数据量的增大，其速度慢的弊端会非常棘手，并且，计算过程中并不能及时地放入新的数据，以实时更新模型。
  优点：由全部数据集确定的方向能够更好的代表样本总体，更准确地向极值方向下降，若目标函数为凸函数，BGD一定能够得到全局最优解。非凸函数也可以得到局部最小值。可以实现为并行计算
  数学理解大致为：
  对目标函数（代价函数）求偏导：
  $\frac{\Delta J(\theta_0,\theta_1)}{\Delta \theta_j} = \frac{1}{m} \sum_{i=1}^{m} (h_{\theta}(x^{(i)})-y^{(i)})$Δθj​ΔJ(θ0​,θ1​)​=m1​i=1∑m​(hθ​(x(i))−y(i))
  每次迭代对参数进行更新：
  $\theta_j := \theta_j - \alpha \frac{1}{m} \sum_{i=1}^{m} (h_{\theta}(x^{(i)})-y^{(i)})x_j^{(i)}$θj​:=θj​−αm1​i=1∑m​(hθ​(x(i))−y(i))xj(i)​
  编码过程，需要先定义一个迭代次数epoch，首先计算梯度向量param_grad，接着沿着梯度下降方向更新参数params，学习率learning决定了每次迭代跨步的大小。其运行示意图大致为：
  
  2、SGD（Stochastic Gradient Descent，随机梯度下降）
  梯度更新规则：每次迭代仅使用一个样本对参数进行更新，迭代速度快，如果数据量非常大，那么SGD有可能只需要遍历其中部分数据，就能得到最优解。相较于于BGD，每次计算都是喂进去全部数据，一次迭代计算量大，也不能快速得到最优解；SGD虽然存在一定的随机性，造成准确度有所下降，但是从期望的角度来看，其价值对于代价是可接受的。
  优点：避免了每次迭代对全部数据的遍历，计算速度和参数迭代速度明显加快
  缺点：SGD因为更新非常频繁，会造成cost function剧烈震荡；可能最终收敛到局部最优；难以实现并行计算
  对于一个样本的目标函数为：
  $J^{(i)}(\theta_0,\theta_1) = \frac{1}{2}(h_{\theta}(x^{(i)})-y^{(i)})^2$J(i)(θ0​,θ1​)=21​(hθ​(x(i))−y(i))2
  对目标函数求偏导
  $\frac{\Delta J^{(i)}(\theta_0,\theta_1)}{\theta_j} = (h_{\theta}(x^{(i)})-y^{(i)})x^{(i)}_j$θj​ΔJ(i)(θ0​,θ1​)​=(hθ​(x(i))−y(i))xj(i)​
  参数更新：
  $\theta_j := \theta_j - \alpha (h_{\theta}(x^{(i)})-y^{(i)})x^{(i)}_j$θj​:=θj​−α(hθ​(x(i))−y(i))xj(i)​
  迭代过程中示意图：
  3、MBGD（Mini-Batch Gradient Descent，小批量梯度下降）
  本方法是对BGD和SGD两种方法的折中，即，每次迭代，使用batch_size个数据进行计算和更新参数
  优点：对于“小批量”的batch_size，使用矩阵形式计算（可以并行化），不会比SGD每次迭代一个样本慢很多，但是使用batch_size个数据进行迭代，又可以大大提高计算的速度，同时准确度相比SGD也提高了许多。
  缺点：batch_size的选择比较考究，在合理范围内，batch_size增大可以有效的提高效率，但是盲目增大batch_size会对内存造成过大的压力，花费时间会变大。所以batch_size的选择比较重要。batch_size一般取值50~256