优化算法：momentum, RMSProp, Adam

  • SGD:
    W:=W-\alpha*dW
    每一轮迭代的方向只和当前Batch的梯度方向有关，学习率不能自适应。

  • 动量momentum(利用数学中的移动平均概念)
    为梯度的方向增加惯性
    梯度的方向如果发生变化，更新速度会变慢。
    V_{dW}=\beta *V_{dW}+(1-\beta)*dW
    W:=W-\alpha*V_{dW}

  • RMSProp：Root Mean Square Prop
    自适应学习率的作用
    梯度较大的方向学习率会被收缩
    S_{dW}=\beta*S_{dW}+(1-\beta)(dW)^{2}
    W:=W-\frac{\alpha}{\sqrt{S_{dW}}}*(dW)

    image.png

    image.png

  • Adam(Adaptive momentum estimator)，结合momentum和RMSProp的优势，增加了fixed bias的步骤
    V_{dW}=\beta1 *V_{dW}+(1-\beta1)*dW
    S_{dW}=\beta2*S_{dW}+(1-\beta2)(dW)^{2}
    V_{dW}=\frac{V_{dW}}{1-\beta1^{t}}
    S_{dW}=\frac{S_{dW}}{1-\beta2^{t}}
    W:=W-\frac{\alpha}{\sqrt{S_{dW}}+\epsilon}*V_{dW}

【参考资料】

  1. Ng deep learning课程
  2. 一文搞懂RMSProp优化算法
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容