Datawhale X 李宏毅苹果书 AI夏令营 进阶 Task2-自适应学习率+分类
目录
- 1.自适应学习率
- 1.1 AdaGrad
- 1.2 RMSProp
- 1.3 Adam
- 1.4 学习率调度
- 1.5 优化策略的总结
- 2.分类
- 2.1 分类与回归的关系
- 2.2 带有 softmax 的分类
- 2.3 分类损失
1.自适应学习率
传统的梯度下降方法在优化过程中常常面临学习率设置不当的问题。固定的学习率在训练初期可能过大，导致模型训练不稳定，而在后期可能过小，导致训练速度缓慢。为了克服这些问题，自适应学习率方法应运而生。这些方法通过动态调整学习率，以适应不同参数的优化需求，从而提高训练效率和模型性能。
1.1 AdaGrad
AdaGrad（Adaptive Gradient）是一种自适应学习率算法，它根据每个参数的历史梯度调整学习率。具体而言，AdaGrad在每次更新时对每个参数的学习率进行缩放，使得学习率对于梯度较大的参数较小，而对于梯度较小的参数较大。
1.2 RMSProp
RMSProp（Root Mean Squared Propagation）是对AdaGrad的改进，旨在解决AdaGrad在训练后期学习率迅速下降的问题。RMSProp通过对梯度的平方进行指数加权平均来调整学习率.
1.3 Adam
Adam（Adaptive Moment Estimation）算法结合了AdaGrad和RMSProp的思想，通过利用梯度的一阶矩估计和二阶矩估计来调整学习率。
1.4 学习率调度
学习率调度是进一步优化模型训练的一种策略，包括学习率衰减和预热策略。学习率衰减通过逐步减小学习率，帮助模型在训练后期更精细地调整参数。预热策略则是在训练初期逐步增加学习率，以避免过大的初始步长导致的不稳定性。两者结合可以提高模型的训练效率和最终性能。
1.5 优化策略的总结
自适应学习率方法如AdaGrad、RMSProp和Adam各有优缺点。AdaGrad适合处理稀疏数据，但可能在训练后期导致学习率过小。RMSProp通过考虑梯度的近期信息来调整学习率，但仍然存在调整不够平滑的问题。Adam结合了动量和自适应学习率的优点，通常能够提供更好的训练效果。在实践中，根据具体问题选择合适的优化策略，并结合动量和自适应学习率，可以显著改进模型的训练过程。
2.分类
2.1 分类与回归的关系
分类与回归问题是机器学习中最常见的问题，二者的区别如下：
分类：分类任务的目标是将输入数据分配到预定义的离散类别中，模型输出的是离散的类别标签。
回归：回归任务的目标是预测连续的数值，模型输出的是一个连续的实数值。
2.2 带有 softmax 的分类
在多分类任务中，softmax 函数十分常见，它可以将一个未归一化的向量（通常是神经网络的输出）转换为一个概率分布，确保输出向量的每个分量都在0到1之间，并且所有分量的和等于1。这使得 softmax 函数特别适合用于分类问题的输出层，其中需要为每个类别分配一个概率值。
2.3 分类损失
通过计算预测值 y^ 与真实标签 y之间的距离，得到分类的损失。常用的损失函数包括均方误差和交叉熵损失。