机器学习adam学习率最大值 adam算法原理

在最近学习中，用Adam作为优化器，在训练时打印学习率发现学习率并没有改变。这好像与之前理解的自适应的学习率有所矛盾？

Adam的理论知识

Adam论文：https://arxiv.org/pdf/1412.6980.pdf

上图就是Adam优化算法在深度学习应用于梯度下降方法的详细过程，有一些参数要做出说明：

具体可以通过来理解Adam的原理。

问题1 指数滑动平均是什么？

Exponential Moving Average (EMA) 指数滑动平均指各数值的加权系数随时间呈指数式递减，越靠近当前时刻的数值加权系数就越大。

以$m_t$为例，从上面的推导可以看到，越远离时刻t，其梯度所占的比重就越小，在梯度在不断的更新的过程中，虽然使用了历史梯度，但是在不同时刻的梯度对当前$m_t$贡献不同，离时刻t越近，对$m_t$的影响就越大，离时刻t越远，对$m_t$的影响就越小。

问题2 为什么需要进行修正？

（1）通俗解释：

当对$m_t$不进行修正时($\beta_1=0.9$)：
$m_0$=0
$m_1$=$\beta _1* m_0+(1-\beta_1)*g_1$=$0.1g_1$
$m_2$=$0.9*0.1*g_1+0.1*g_2$=$0.09g_1+0.1g_2$
$m_3$=$0.081g_1+0.09g_2+0.1g3$
依次类推，我们可以看到由于$m_0$=0，导致，$m_t$均向0进行偏置，也会离$g_t$越来越远。

（2）理论公式解释：

从上面$m_t$的更新公式可以看出来，$m_t$相当于是梯度$g_t$一阶距估计，所以我们计算$m_t$的期望：

从上面的公式可以看到，需要将$m_t$修正为$m_t/(1-\beta_1^t)$ ，才能近似认为$m_t$为梯度$g_t$的无偏距估计。同样的思路可以解释$v_t$的修正。

问题3 学习率是如何变化的？

在Adam论文中指出可以将下面三行公式：

等价替换成：

在pytorch源代码中也是按照上述这种写法(附在最后面)。

那这样写是不是说明学习率的变化是由$\alpha \sqrt{1-\beta_2^t}/(1-\beta_1^t)$来决定呢，那这样还能称之为自适应的学习率吗？

我们知道梯度下降法的定义公式：

按照梯度下降法的定义公式，我们可以将参数更新公式写成：

$\theta_t=\theta_{t-1}- {\frac{\alpha}{\sqrt{\hat{v_t}}+\varepsilon}}*\hat{m_t}$
其中，将$m_t$视为梯度$g_t$的一阶距估计，那么${\frac{\alpha}{\sqrt{\hat{v_t}}+\varepsilon}}$可以看作在t时刻，参数$\theta_t$

最后附上Adam源码

我通过pytorch1.2/lib/python3.7/site-packages/torch/optim/找到adam.py文件，下面是代码：

def step(self, closure=None):
  loss = None
  if closure is not None:
      loss = closure()

  for group in self.param_groups:
      for p in group['params']:
          if p.grad is None:
              continue
          grad = p.grad.data
          if grad.is_sparse:
              raise RuntimeError('Adam does not support sparse gradients, please consider SparseAdam instead')
          amsgrad = group['amsgrad']

          state = self.state[p]

          # State initialization
          if len(state) == 0:
              state['step'] = 0
              # Exponential moving average of gradient values
              state['exp_avg'] = torch.zeros_like(p.data)
              # Exponential moving average of squared gradient values
              state['exp_avg_sq'] = torch.zeros_like(p.data)
              if amsgrad:
                  # Maintains max of all exp. moving avg. of sq. grad. values
                  state['max_exp_avg_sq'] = torch.zeros_like(p.data)

          exp_avg, exp_avg_sq = state['exp_avg'], state['exp_avg_sq']
          if amsgrad:
              max_exp_avg_sq = state['max_exp_avg_sq']
          beta1, beta2 = group['betas']

          state['step'] += 1

          if group['weight_decay'] != 0:
              grad.add_(group['weight_decay'], p.data)

          # Decay the first and second moment running average coefficient
          exp_avg.mul_(beta1).add_(1 - beta1, grad)
          exp_avg_sq.mul_(beta2).addcmul_(1 - beta2, grad, grad)
          if amsgrad:
              # Maintains the maximum of all 2nd moment running avg. till now
              torch.max(max_exp_avg_sq, exp_avg_sq, out=max_exp_avg_sq)
              # Use the max. for normalizing running avg. of gradient
              denom = max_exp_avg_sq.sqrt().add_(group['eps'])
          else:
              denom = exp_avg_sq.sqrt().add_(group['eps'])

          bias_correction1 = 1 - beta1 ** state['step']
          bias_correction2 = 1 - beta2 ** state['step']

          step_size = group['lr'] * math.sqrt(bias_correction2) / bias_correction1

          p.data.addcdiv_(-step_size, exp_avg, denom)

  return loss

以上均是我个人的理解，如果各位有更好的想法可以留言，共同学习进步！