大模型算法面试笔记——常用优化器SGD，Momentum，Adagrad，RMSProp，Adam
常用参数：ttt-步数，α\alphaα-学习率，θ\thetaθ-参数，f(θ)f(\theta)f(θ)-目标函数，gtg_tgt-梯度，β1\beta_1β1-一阶矩衰减系数，通常取0.9，β2\beta_2β2-二阶矩，mtm_tmt-均值，vtv_tvt-方差，m^t\hat{m}_tm^t-mtm_tmt偏置矫正，v^t\hat{v}_tv^t-vtv_tvt偏置矫正。
-
梯度下降（BGD）：最简单的迭代求解算法，选取开始点θ0\theta_0θ0，对t=1,...,Tt=1,...,Tt=1,...,T，θt=θt−1−ηgt−1\theta_t=\theta_{t-1}-\eta g_{t-1}θt=θt−1−ηgt−1，其中η\etaη是学习率。
-
随机梯度下降（SGD）：由于有nnn个样本时，为了减少计算量，所以SGD在时间ttt随机选取一个样本tit_iti来近似f(x)f(x)f(x)，SGD的下降方向是对真实梯度方向的无偏估计。
-
批量梯度下降（MBGD）：为了充分利用GPU多核，计算批量的梯度，也是一个无偏的近似，但降低了方差。
-
动量法（Momentum）：为增加收敛的稳定性，并缓解陷入局部最优，动量法使用平滑过的梯度对权重更新：θt=θt−1−ηvt\theta_t=\theta_{t-1}-\eta v_tθt=θt−1−ηvt，它用一个动量vtv_tvt累加了过去的梯度，其中gtg_tgt为当前梯度：
vt=βvt−1+(1−β)⋅gtv_t=\beta v_{t-1}+(1-\beta)·g_tvt=βvt−1+(1−β)⋅gt -
Adagrad：对于不同的参数，有时需要更新的幅度相差较大，此时不同参数就需要不同的学习率，Adagrad采用的方法是，将历史梯度的平方和累加起来，为学习率添加一个分母项Gt+ϵ\sqrt{G_t+\epsilon}Gt+ϵ，其中Gt=Gt−1+gt2G_t = G_{t-1}+g_t^2Gt=Gt−1+gt2，因此，参数更新公式就变成：
θt=θt−1−ηGt+ϵ⋅gt\theta_t=\theta_{t-1}-\frac{\eta}{\sqrt{G_t+\epsilon}}·g_tθt=θt−1−Gt+ϵη⋅gt
如此可见，对于梯度一直很大的参数，其对应的学习率就会变小，而如果参数的梯度很大，学习率相对就更大一点，实现了一定程度上的自动调整。此方法比较适合处理悉数数据，因为稀疏特征的参数更新少，学习率会较大，实现更快收敛，而缺点是累积梯度会随时间增大，导致学习率越来越小甚至接近0，可能导致后期收敛太慢。 -
RMSProp：和Adagrad类似，对累积平方梯度上做改进：Gt=λGt−1+(1−λ)⋅gt2G_t=\lambda G_{t-1}+(1-\lambda)·g_t^2Gt=λGt−1+(1−λ)⋅gt2，参数更新公式相同。
-
Adam：结合了动量法和Adagrad，动态调整每个参数的学习率，同时利用梯度的一阶矩（动量）和二阶矩（自适应学习率，也可以理解为转动惯量）加速收敛。具体分为四步：
计算梯度的一阶距估计：
mt=β1⋅mt−1+(1−β1)⋅gtm_t=\beta_1·m_{t-1}+(1-\beta_1)·g_tmt=β1⋅mt−1+(1−β1)⋅gt
计算梯度的二阶矩估计：
vt=β2⋅vt−1+(1−β2)⋅gt2v_t=\beta_2·v_{t-1}+(1-\beta_2)·g_t^2vt=β2⋅vt−1+(1−β2)⋅gt2
这样设计的原因是，展开式中，当t为无穷大时，历史梯度项权重系数和为1，此为数学依据：
mt=(1−β1)(gt+β1gt−1+β12gt−2+β13gt−3+...)m_t=(1-\beta_1)(g_t+\beta_1g_{t-1}+\beta_1^2g_{t-2}+\beta_1^3g_{t-3}+...)mt=(1−β1)(gt+β1gt−1+β12gt−2+β13gt−3+...)
∑i=0∞β1i=11−β1\sum_{i=0}^{\infin}\beta^i_1=\frac{1}{1-\beta_1}i=0∑∞β1i=1−β11
由于初始项受初始值为0的影响较大，所以进行偏差修正，同理，这样设计的原因是有限项等比数列和公式∑i=0tβ1i=1−β1t1−β1\sum_{i=0}^{t}\beta^i_1=\frac{1-\beta_1^t}{1-\beta_1}∑i=0tβ1i=1−β11−β1t：
mt^=mt1−β1t,vt^=vt1−β2t\hat{m_t}=\frac{m_t}{1-\beta_1^t},\hat{v_t}=\frac{v_t}{1-\beta_2^t}mt^=1−β1tmt,vt^=1−β2tvt 例如，当t=1t=1t=1时：m^1=m11−β11=(1−β1)g11−β1=g1\hat{m}_1=\frac{m_1}{1-\beta_1^1}=\frac{(1-\beta_1)g_1}{1-\beta_1}=g_1m^1=1−β11m1=1−β1(1−β1)g1=g1
最后进行参数更新：
θ=θt−1−ηv^t+ϵ⋅m^t\theta=\theta_{t-1}-\frac{\eta}{\sqrt{\hat{v}_t}+\epsilon}·\hat{m}_tθ=θt−1−v^t+ϵη⋅m^t最后贴一个论文原文算法部分：
