CV第七课 优化方法

总结:

　　0. 优化是为了 improve the training_loss； Regularization/ Ensembling is improving the performance on test data； Transfer learning 使得在样本量小的时候也可以使用CNN。

　　1. 一般使用Adam进行优化，设置 beta1 = 0.9; beta2 = 0.999;  learning_rate =  1e-3 或 5e-4 

　　2. 或者使用 learning_rate decay + SGD Momentum，先一遍不用learning_rate decay的图，再看从哪里开始decay

　　3. 改良过的优化算法比SGD+Momentum收敛更快

 

https://blog.csdn.net/willduan1/article/details/78070086

 

 

 

 

 

 

 

 

 

 

 

SGD的问题：

　　1. Loss 在某一个方向上下降很快，在另一个方向上较慢

　　

 

 

　　2.  遇到局部最优，或者鞍点：斜率为0或者非常小，这样loss下降的会非常慢 

　　

 　　3.  随机梯度下降来自于 随机的一个mini-batch，其最优梯度不一定代表全样本最优

　　

 

 

 

 

 

优化方法一： SGD+Momentum  

　　加入一个动量项： 在第n+1次更新梯度时，保留0.9倍第n次的梯度，从而更新参数，降低loss

　　

 

 

 二：Nesterov Momentum 

 

 

 

 

 三：