知识卡片

普通读书笔记卡 · 9836.l · 生成模型:DeepSeek-V4.1-Flash

Adam融合动量与自适应

理解等级:中级

Adam(Adaptive Moment Estimation)把 Momentum 和 RMSProp 拼在一起:用一阶矩管方向,用二阶矩管步长。

  1. 一阶矩(动量):mt = α·m{t−1} + (1−α)·g_t,估计梯度的方向,抑制 batch 噪声。
  2. 二阶矩(自适应尺度):nt = β·n{t−1} + (1−β)·g_t²,估计梯度的大小,给每个参数不同的步长。
  3. 偏差校正:m、n 初始化为 0,前几步会明显偏小(见 [[指数平均让近期权重更大]] 的演算),所以除以 (1−αᵗ)、(1−βᵗ) 修正:m̂ = m/(1−αᵗ),n̂ = n/(1−βᵗ)。
  4. 更新:θ ← θ − η·m̂/(√n̂ + ε)。

原文对它的定位是”带有动量的 RMSprop 算法”。适用面也最广:对梯度求矩估计不需要额外内存,因而内存要求小;结合两者优点,擅长稀疏梯度和非平稳目标,适合大数据与高维空间,可用于大多数非凸优化问题,因此成为深度学习优化的常用选择。

把本章出现的优化器放在一起对比,差别只在”用梯度的什么信息决定方向和步长”:

优化器 更新依据 学习率 主要局限
SGD 当前 batch 梯度 全局固定 抖动大、收敛慢
Momentum 梯度的指数平均 全局固定 多一个 β,可能冲过头
NAG 动量方向前方近似点的梯度 全局固定 需两次梯度计算
AdaGrad 历史梯度平方和 每参数自适应 步长单调衰减至停滞
RMSProp 梯度平方的指数平均 每参数自适应 需调 β,无方向信息
Adam 一阶矩 + 二阶矩 + 偏差校正 每参数自适应 超参较多(η、α、β、ε)

边界:Adam 是很好的默认起点,但不是无脑最优。学习率 η 仍是最需要调的量;训练后期有时需要更小的学习率或切换到带动量的 SGD 才能拿到更稳的收敛。原文的推荐范围是”大多数非凸优化问题”的通用选择,具体任务仍要验证。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《机器学习基础:从入门到求职》第15章《第15章 深度神经网络模型》(源文件:extracted/机器学习基础:从入门到求职/_epub-src/OEBPS/text00018.html) - 结论依据:原文说明 Adam 融合 Momentum 与 RMSProp、用一阶与二阶矩估计动态调整学习率并做无偏校正,还列出其内存与适用场景优势。 - 原始内容:Adam(Adaptive Moment Estimation)算法是将Momentum算法和RMSProp算法融合起来使用的一种算法,其本质是带有动量的 RMSprop 算法。