人工智能算法工程师(中级)课程21-深度学习中各种优化器算法的应用与实践、代码详解

大家好，我是微学AI，今天给大家介绍一下人工智能算法工程师(中级)课程21-深度学习中各种优化器算法的应用与实践、代码详解。本文将介绍PyTorch框架下的几种优化器，展示如何使用PyTorch中的优化器，我们将使用MNIST数据集和一个简单的多层感知器（MLP）模型。本文仅用于演示不同优化器的用法，实际应用中可能需要调整超参数以获得最佳性能。
在这里插入图片描述

文章目录

- 一、PyTorch框架下的算法优化器
- - 1. SGD (随机梯度下降)
  - 2. ASGD (平均随机梯度下降)
  - 3. Rprop (弹性反向传播)
  - 4. Adagrad (自适应梯度)
  - 5. Adadelta (自适应学习率和动量)
  - 6. RMSprop (均方根传播)
  - 7.Adam
  - 概率论与数理统计中的矩估计介绍
- 二、PyTorch实现算法优化器的代码
- - 多优化器代码实现
  - 运行结果

一、PyTorch框架下的算法优化器

1. SGD (随机梯度下降)

SGD，即随机梯度下降，是机器学习中不可或缺的伙伴，它巧妙地通过单个样本或一小批样本计算梯度来更新模型参数，就像一位精明的向导，在数据的大海中引领算法逐步靠近最优解，既节省了计算资源又加速了学习过程，尤其在大数据集上展现出了非凡的魅力。
数学表达式：
$\theta_{t+1} = \theta_t - \eta \nabla J(\theta_t)$
其中， $\theta$ 是参数， $\eta$ 是学习率， $\nabla J(\theta_t)$ 是损失函数 $J$ 关于参数 $\theta$ 的梯度。
在这里插入图片描述

2. ASGD (平均随机梯度下降)

ASGD 是 SGD 的一位智慧升级版同伴，它通过计算参数的历史移动平均值来指导学习路径，就像是在不断积累经验的老练航海家，即便面对波涛汹涌的数据海洋也能稳健航行，有效提高了优化过程的稳定性和收敛速度，尤其适合在复杂多变的模型训练旅程中指引方向。
数学表达式：
$\theta_{t+1} = \theta_t - \eta \nabla J(\theta_t) \\ \bar{\theta}_{t+1} = (1 - \lambda) \bar{\theta}_t + \lambda \theta_{t+1}$

其中， $\bar{\theta}$ 是参数的移动平均值， $\lambda$ 是平滑因子。

3. Rprop (弹性反向传播)

Rprop 是一种别具匠心的优化算法，它不依赖于梯度的大小，而是聚焦于梯度的方向变化，就像是一位技艺高超的导航员，在参数调整的旅途中只关注前进的方向而忽略速度，这种独特的方法使得它能够在复杂的优化地形中找到更高效的路径，特别适合那些对学习率敏感的任务，为模型训练带来了新的可能性。
数学表达式：
$\Delta \theta_{t+1} = \begin{cases} \Delta \theta_t \cdot \eta^+ & \text{if } \nabla J(\theta_t) \cdot \nabla J(\theta_{t-1}) > 0 \\ \Delta \theta_t \cdot \eta^- & \text{if } \nabla J(\theta_t) \cdot \nabla J(\theta_{t-1}) < 0 \\ \Delta \theta_t & \text{otherwise} \end{cases} \\ \theta_{t+1} = \theta_t - \text{sign}(\nabla J(\theta_t)) \cdot \Delta \theta_{t+1}$

其中， $\Delta \theta$ 是参数更新的大小， $\eta^+$ 和 $\eta^-$ 是增加和减少更新大小的因子。

4. Adagrad (自适应梯度)

Adagrad 是一种充满智慧的优化算法，它像是一位细心的园丁，根据不同参数的历史梯度精心调整学习率，确保每个参数都能以最适合自己的步伐向着最优解迈进。这种方式特别适用于稀疏数据的情况，能够让模型训练更加高效且稳定，特别是在面对复杂多变的学习任务时，Adagrad 能够展现出其独特的魅力。
数学表达式：
$G_t = G_{t-1} + \nabla J(\theta_t)^2 \\ \theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{G_t + \epsilon}} \nabla J(\theta_t)$

其中， $G_t$ 是历史梯度的累积平方和， $\epsilon$ 是平滑项。

5. Adadelta (自适应学习率和动量)

Adadelta 是 Adagrad 的一位聪明后代，它巧妙地运用动量项来更新参数，就像是一位无需教练指导的运动员，能自我调整步伐大小，无需预先设定学习率。这种方式使得模型训练更加灵活高效，尤其在长距离赛跑般的深度学习任务中，Adadelta 能够帮助模型稳步向前，避免因学习率设置不当而导致的训练停滞或震荡。
数学表达式：
$E[g^2]_t = \rho E[g^2]_{t-1} + (1 - \rho) \nabla J(\theta_t)^2 \\ \Delta \theta_t = - \frac{\sqrt{E[\Delta \theta^2]_{t-1} + \epsilon}}{\sqrt{E[g^2]_t + \epsilon}} \nabla J(\theta_t) \\ E[\Delta \theta^2]_t = \rho E[\Delta \theta^2]_{t-1} + (1 - \rho) \Delta \theta_t^2 \\ \theta_{t+1} = \theta_t + \Delta \theta_t$

其中， $E[g^2]$ 和 $E[\Delta \theta^2]$ 分别是梯度平方和和参数更新平方和的指数移动平均值， $\rho$ 是动量因子。

6. RMSprop (均方根传播)

RMSProp（Root Mean Square Propagation）优化算法是一种自适应学习率的优化算法，主要用于深度学习中。以下是RMSProp优化算法的数学公式：

首先，计算梯度的平方的指数加权移动平均值：

$v_t = \beta v_{t-1} + (1 - \beta) g_t^2$

其中， $v_t$ 是时间步 t 的平方梯度指数加权移动平均值， $g_t^2$ 是当前时间步梯度的元素平方， $\beta$ 是梯度的指数衰减率。

然后，更新模型参数：

$\theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{v_t} + \epsilon} g_t$

其中， $\theta_t$ 是时间步 t 的模型参数， $\eta$ 是学习率， $\epsilon$ 是为了数值稳定性而添加的小常数。

以上描述了RMSProp优化算法中计算梯度平方指数加权移动平均值和更新模型参数的过程。RMSProp算法通过对梯度进行平方指数加权移动平均来自适应地调整学习率，从而在训练过程中更好地优化模型。

7.Adam

Adam 算法，这位融合了动量梯度下降与 RMSprop 精髓的优化大师，犹如一位技艺高超的调音师，通过计算梯度的一阶矩和二阶矩来动态调整每个参数的学习率。它既能捕捉到历史梯度的方向感，又能根据当前梯度的波动进行微调，使得模型训练过程既稳定又高效，尤其在处理大规模数据和复杂模型时，Adam 能够带领模型快速而准确地找到最优解。
以下是Adam优化算法的数学表达式：

首先，计算一阶矩估计（即梯度的指数移动平均值）：

$m_t = \beta_1 m_{t-1} + (1 - \beta_1) g_t$

其中， $m_t$ 是时间步 t 的一阶矩估计， $g_t$ 是当前时间步的梯度， $\beta_1$ 是动量的指数衰减率。

其次，计算二阶矩估计（即梯度的平方的指数移动平均值）：

$v_t = \beta_2 v_{t-1} + (1 - \beta_2) g_t^2$

其中， $v_t$ 是时间步 t 的二阶矩估计， $g_t^2$ 是当前时间步梯度的元素平方， $\beta_2$ 是梯度的指数衰减率。

接着，校正一阶矩的偏差：

$\hat{m}_t = \frac{m_t}{1 - \beta_1^t}$

$\hat{v}_t = \frac{v_t}{1 - \beta_2^t}$

然后，更新模型参数：

$\theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon} \hat{m}_t$

其中， $\theta_t$ 是时间步 t 的模型参数， $\eta$ 是学习率， $\epsilon$ 是为了数值稳定性而添加的小常数。

以上描述了Adam优化算法中用于更新梯度估计、计算动量和RMSProp的过程，并最终利用它们来更新模型参数的方法。

概率论与数理统计中的矩估计介绍

在优化算法中，一阶矩估计和二阶矩估计是指对梯度的统计特征进行估计的过程，涉及了概率论与数理统计的知识。我来详细解释一下：

一阶矩估计通常表示对随机变量的期望值的估计，也可以理解为均值的估计。在优化算法中，一阶矩估计可以用来估计梯度的平均值，在Adam和RMSProp等算法中起到了动量的作用。动量可以帮助优化算法在参数更新时更平稳地前进，避免陷入局部极小值点。一阶矩估计可以通过指数加权移动平均的方式来计算，从而更好地反映梯度的变化趋势。

二阶矩估计则通常表示对随机变量的方差的估计。在优化算法中，二阶矩估计可以用来估计梯度的方差或者标准差，如在RMSProp算法中所使用的。通过估计梯度的方差，我们可以更好地了解梯度的变化范围，并且利用这个信息来自适应地调整学习率，以提高训练的效率和稳定性。

概率论与数理统计为我们提供了对随机变量的期望、方差等统计特征的概念和计算方法，优化算法中的一阶矩估计和二阶矩估计正是借鉴了这些概念和方法，使得优化算法能够更好地利用梯度的统计信息来指导参数更新的过程，从而提高模型的训练效果。

二、PyTorch实现算法优化器的代码

多优化器代码实现

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader# 定义一个简单的多层感知器
class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(28 * 28, 128)self.fc2 = nn.Linear(128, 64)self.fc3 = nn.Linear(64, 10)def forward(self, x):x = x.view(-1, 28 * 28)x = torch.relu(self.fc1(x))x = torch.relu(self.fc2(x))x = self.fc3(x)return x# 准备数据
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))])
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)# 定义损失函数
criterion = nn.CrossEntropyLoss()# 定义优化器列表
optimizers = [optim.SGD,optim.ASGD,optim.Rprop,optim.Adagrad,optim.Adadelta,optim.RMSprop,optim.Adam
]# 训练函数
def train(optimizer_class, model, dataloader, criterion, epochs=3):optimizer = optimizer_class(model.parameters(), lr=0.01)model.train()for epoch in range(epochs):running_loss = 0.0correct = 0total = 0for batch_idx, (data, target) in enumerate(dataloader):optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()running_loss += loss.item()_, predicted = torch.max(output.data, 1)total += target.size(0)correct += (predicted == target).sum().item()print(f'Optimizer: {optimizer_class.__name__}, Epoch: {epoch + 1}, Loss: {running_loss / len(dataloader)}, Accuracy: {correct / total * 100}%')# 使用不同的优化器训练模型
for optimizer_class in optimizers:model = MLP()train(optimizer_class, model, train_loader, criterion)

运行结果

Optimizer: SGD, Epoch: 1, Loss: 0.8009015738265093, Accuracy: 79.87333333333333%
Optimizer: SGD, Epoch: 2, Loss: 0.31090657713253106, Accuracy: 91.07333333333332%
Optimizer: SGD, Epoch: 3, Loss: 0.2509216960471894, Accuracy: 92.69833333333334%
Optimizer: ASGD, Epoch: 1, Loss: 0.8227703367659787, Accuracy: 79.11333333333333%
Optimizer: ASGD, Epoch: 2, Loss: 0.3227304352451362, Accuracy: 90.68833333333333%
Optimizer: ASGD, Epoch: 3, Loss: 0.2698148043155035, Accuracy: 92.145%
Optimizer: Rprop, Epoch: 1, Loss: 8.706047950292637, Accuracy: 85.69333333333333%
Optimizer: Rprop, Epoch: 2, Loss: 16.184261398441567, Accuracy: 85.75166666666667%
Optimizer: Rprop, Epoch: 3, Loss: 15.855906286521126, Accuracy: 85.99166666666666%
Optimizer: Adagrad, Epoch: 1, Loss: 0.24328371752172645, Accuracy: 92.56166666666667%
Optimizer: Adagrad, Epoch: 2, Loss: 0.12497247865737311, Accuracy: 96.25333333333333%
Optimizer: Adagrad, Epoch: 3, Loss: 0.09774033319570426, Accuracy: 97.06666666666666%
Optimizer: Adadelta, Epoch: 1, Loss: 1.3385312659526938, Accuracy: 69.485%
Optimizer: Adadelta, Epoch: 2, Loss: 0.5202090000229349, Accuracy: 86.955%
Optimizer: Adadelta, Epoch: 3, Loss: 0.39094064729427225, Accuracy: 89.41666666666667%
Optimizer: RMSprop, Epoch: 1, Loss: 0.6654755138456504, Accuracy: 88.81666666666666%
Optimizer: RMSprop, Epoch: 2, Loss: 0.23642293871569037, Accuracy: 93.51833333333333%
Optimizer: RMSprop, Epoch: 3, Loss: 0.20657251488222783, Accuracy: 94.41833333333334%
Optimizer: Adam, Epoch: 1, Loss: 0.2741849403957457, Accuracy: 91.88833333333334%
Optimizer: Adam, Epoch: 2, Loss: 0.18909314711804567, Accuracy: 94.86833333333334%
Optimizer: Adam, Epoch: 3, Loss: 0.1710762643500535, Accuracy: 95.42166666666667%