最新训练神经网络的五大算法

作者： Alberto Quesada

译者： KK4SBB

神经网络模型的每一类学习过程通常被归纳为一种训练算法。训练的算法有很多，它们的特点和性能各不相同。

问题的抽象

　　人们把神经网络的学习过程转化为求损失函数f的最小值问题。一般来说，损失函数包括误差项和正则项两部分。误差项衡量神经网络模型在训练数据集上的拟合程度，而正则项则是控制模型的复杂程度，防止出现过拟合现象。

　　损失函数的函数值由模型的参数(权重值和偏置值)所决定。我们可以把两部分参数合并为一个n维的权重向量，记为w。下图是损失函数f(w)的图示。

　　如上图所示，w*是损失函数的最小值。在空间内任意选择一个点A，我们都能计算得到损失函数的一阶、二阶导数。一阶导数可以表示为一个向量：

　　ᐁif(w) = df/dwi (i = 1,…,n)

　　同样的，损失函数的二阶导数可以表示为海森矩阵( Hessian Matrix )：

　　Hi,jf(w) = d2f/dwi·dwj (i,j = 1,…,n)

　　多变量的连续可微分函数的求解问题一直被人们广泛地研究。许多的传统方法都能被直接用于神经网络模型的求解。

　　一维优化方法

　　尽管损失函数的值需要由多个参数决定，但是一维优化方法在这里也非常重要。这些方法常常用于训练神经网络模型。

　　许多训练算法首先计算得到一个训练的方向d，以及速率η来表示损失值在此方向上的变化，f(η)。下图片展示了这种一维函数。

f和η*在η1和η2所在的区间之内。

　　由此可见，一维优化方法就是寻找到某个给定的一维函数的最小值。黄金分段法和Brent方法就是其中两种广泛应用的算法。这两种算法不断地缩减最小值的范围，直到η1和η2两点之间的距离小于设定的阈值。

　　多维优化方法

　　我们把神经网络的学习问题抽象为寻找参数向量w*的问题，使得损失函数f在此点取到最小值。假设我们找到了损失函数的最小值点，那么就认为神经网络函数在此处的梯度等于零。

　　通常情况下，损失函数属于非线性函数，我们很难用训练算法准确地求得最优解。因此，我们尝试在参数空间内逐步搜索，来寻找最优解。每搜索一步，重新计算神经网络模型的参数，损失值则相应地减小。

　　我们先随机初始化一组模型参数。接着，每次迭代更新这组参数，损失函数值也随之减小。当某个特定条件或是终止条件得到满足时，整个训练过程即结束。

　　现在我们就来介绍几种神经网络的最重要训练算法。

1. 梯度下降法(Gradient descent)

　　梯度下降方法是最简单的训练算法。它仅需要用到梯度向量的信息，因此属于一阶算法。

　　我们定义f(wi) = fi and ᐁf(wi) = gi。算法起始于W0点，然后在第i步沿着di = -gi方向从wi移到wi+1，反复迭代直到满足终止条件。梯度下降算法的迭代公式为：

　　wi+1 = wi - di·ηi, i=0,1,…

　　参数η是学习率。这个参数既可以设置为固定值，也可以用一维优化方法沿着训练的方向逐步更新计算。人们一般倾向于逐步更新计算学习率，但很多软件和工具仍旧使用固定的学习率。

　　下图是梯度下降训练方法的流程图。如图所示，参数的更新分为两步：第一步计算梯度下降的方向，第二步计算合适的学习率。

　梯度下降方法有一个严重的弊端，若函数的梯度变化如图所示呈现出细长的结构时，该方法需要进行很多次迭代运算。而且，尽管梯度下降的方向就是损失函数值减小最快的方向，但是这并不一定是收敛最快的路径。下图描述了此问题。

当神经网络模型非常庞大、包含上千个参数时，梯度下降方法是我们推荐的算法。因为此方法仅需要存储梯度向量(n空间)，而不需要存储海森矩阵(n2空间)

2.牛顿算法(Newton’s method)

　　因为牛顿算法用到了海森矩阵，所以它属于二阶算法。此算法的目标是使用损失函数的二阶偏导数寻找更好的学习方向。

　　我们定义f(wi) = fi, ᐁf(wi) = gi and Hf(wi) = Hi。用泰勒展开式估计函数f在w0值

　　f = f0 + g0 · (w - w0) + 0.5 · (w - w0)2 · H0

　　H0是函数f在w0的海森矩阵值。在f(w)的最小值处g = 0，我们得到了第二个等式

　　g = g0 + H0 · (w - w0) = 0

　　因此，将参数初始化在w0，牛顿算法的迭代公式为

　　wi+1 = wi - Hi-1·gi, i = 0,1,…

　　Hi-1·gi 被称为牛顿项。值得注意的是，如果海森矩阵是一个非正定矩阵，那么参数有可能朝着最大值的方向移动，而不是最小值的方向。因此损失函数值并不能保证在每次迭代都减小。为了避免这种问题，我们通常会对牛顿算法的等式稍作修改：

　　wi+1 = wi - (Hi-1·gi) ·ηi, i=0,1,…

　　学习率η既可以设为固定值，也可以动态调整。向量d = Hi-1·gi被称为牛顿训练方向。

　　下图展示的是牛顿法的流程图。参数的更新也分为两步，计算牛顿训练方向和合适的学习率。

3.共轭梯度法（Conjugate gradient）

共轭梯度法可以被认为是介于梯度下降和牛顿法之间的方法。它能加快梯度下降法典型的慢收敛，同时避免了牛顿法对Hessian矩阵的评估、存储和反转所需的信息。

在共轭梯度训练算法中，搜索沿着共轭方向执行，通常能比梯度下降方向产生更快的收敛。这些训练方向与Hessian矩阵相关。

用d表示训练方向向量。然后，从初始参数向量w0和初始训练方向向量d0 = -g0开始，共轭梯度法构造训练方向的序列可表示为：

di+1 = gi+1 + di·γi, i=0,1,...

这里γ称为共轭参数，有不同的计算方法。其中两种最常用的方法是Fletcher–Reeves和Polak–Ribière。对于所有共轭梯度算法，训练方向周期性地重置为梯度的负值。

然后，参数根据以下等式改进，训练速率η通常通过线性最小化得到：

wi+1 = wi + di·ηi, i=0,1,...

下图描述了使用共轭梯度法的训练过程。如图所示，参数的改进步骤是先计算共轭梯度训练方向，然后计算该方向上的合适训练速率。

这种方法已经证明比梯度下降法在训练神经网络方面更有效。因为它不需要Hessian矩阵，所以当神经网络非常大时，也建议使用共轭梯度法。

4.拟牛顿法（Quasi-Newton method）

牛顿法在计算上是相当昂贵的，因为它需要许多操作来评估Hessian矩阵并计算其逆矩阵。为了解决这个缺点，出现了被称为拟牛顿法或可变矩阵法的替代方法。这种方法在算法的每次迭代中建立并逼近Hessian逆矩阵，而不是直接计算Hessian矩阵，然后评估其逆矩阵。该近似值仅使用损失函数的一阶导数的信息来计算。

Hessian矩阵由损失函数的二阶偏导数组成。拟牛顿法背后的主要思想是仅使用损失函数的一阶偏导数，通过另一矩阵G得到近似Hessian矩阵的逆。拟牛顿法的公式可表示为：

wi+1 = wi - (Gi·gi)·ηi, i=0,1,...

训练速率η可以设置为固定值或通过线性最小化得到。最常用的两个公式是Davidon-Fletcher-Powell公式（DFP）和Broyden-Fletcher-Goldfarb-Shanno公式（BFGS）。

拟牛顿法的训练过程如下图所示。先得到拟牛顿训练方向，然后找到满意的训练速率来执行参数的改进。

这是在大多数情况下使用的默认方法：它比梯度下降法和共轭梯度法更快，并且不需要精确计算和反转Hessian矩阵。

5. Levenberg-Marquardt algorithm（莱文贝格－马夸特算法）

Levenberg-Marquardt算法，又称阻尼最小二乘法，被设计为采用误差平方和形式的损失函数特定的算法。它不需精确计算Hessian矩阵，适用于梯度向量和Jacobian矩阵。

下图是使用Levenberg-Marquardt算法的神经网络训练过程。第一步是计算损失值、梯度和Hessian逼近，然后调整阻尼参数，以减少每次迭代的损失。

Levenberg-Marquardt算法是针对误差平方和型函数的特定方法。这使它在训练神经网络中测量这种误差时非常快。但是，该算法也有一些缺点。缺点之一是它不能应用于诸如均方根误差或交叉熵误差函数。此外，它与正则项不兼容。最后，对于非常大的数据集和神经网络，Jacobian矩阵会变得非常大，因此需要的内存也非常大。因此，当数据集和/或神经网络非常大时，不推荐使用Levenberg-Marquardt算法。

内存和速度比较

下图比较了本文中讨论的训练算法的计算速度和存储要求。可以看到，最慢的训练算法是梯度下降法，但它需要的内存最小。相反，最快的是Levenberg-Marquardt算法，但需要的内存也最大。比较好的折衷可能是拟牛顿法。

总而言之，如果我们的神经网络有成千上万的参数，我们可以使用梯度下降法或共轭梯度法，以节省内存。如果我们要训练的神经网络只有几千个样本和几百个参数，最好的选择可能是Levenberg-Marquardt算法。其余情况下，可以选择拟牛顿法。