首页 > 其他分享> 文章详细

优化器

2019-09-26 14:03:40 阅读：238 来源： 互联网

标签：函数梯度动量计算优化 SGD

首先定义：待优化参数： $w$ ，目标函数： $f(w)$ ，初始学习率 $\alpha$ 。

而后，开始进行迭代优化。在每个epoch $t$ ：

计算目标函数关于当前参数的梯度： $g_t=\nabla f(w_t)$
根据历史梯度计算一阶动量和二阶动量： $m_t = \phi(g_1, g_2, \cdots, g_t); V_t = \psi(g_1, g_2, \cdots, g_t)$ ，
计算当前时刻的下降梯度： $\eta_t = \alpha \cdot m_t / \sqrt{V_t}$
根据下降梯度进行更新： $w_{t+1} = w_t - \eta_t$

SGD $m_t = g_t; V_t = I^2$

SGD with Momentum $m_t = \beta_1 \cdot m_{t-1} + (1-\beta_1)\cdot g_t$

AdaGrad

AdaDelta / RMSProp

Adam $m_t = \beta_1 \cdot m_{t-1} + (1-\beta_1)\cdot g_t$ $V_t = \beta_2 * V_{t-1} + (1-\beta_2) g_t^2$

标签：函数,梯度,动量,计算,优化,SGD
来源： https://www.cnblogs.com/hapyygril/p/11590480.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

优化器

SGD

SGD with Momentum

AdaGrad

AdaDelta / RMSProp

Adam

SGD $m_t = g_t; V_t = I^2$

SGD with Momentum $m_t = \beta_1 \cdot m_{t-1} + (1-\beta_1)\cdot g_t$

Adam $m_t = \beta_1 \cdot m_{t-1} + (1-\beta_1)\cdot g_t$ $V_t = \beta_2 * V_{t-1} + (1-\beta_2) g_t^2$