邑蚊劣僦在深度学习中优化器Optimizer是连接模型与数据的桥梁它负责根据损失函数的梯度来更新模型的参数以期找到一组能最小化损失的“最优解”。优化器的选择和调优直接关系到模型的训练速度、收敛性以及最终的泛化能力。本文将遵循“问题提出 → 方案演进”的逻辑脉络系统性地梳理从经典的梯度下降法到现代深度学习模型中默认的AdamW优化器的发展历程。我们将深入探讨五类核心优化器梯度下降家族 (BGD, SGD, MBGD)奠定基础解决效率与噪声的权衡。动量方法 (Momentum, NAG)引入惯性克服“峡谷”地形加速收敛。自适应学习率方法 (Adagrad)为每个参数定制学习率应对稀疏数据。改进的自适应方法 (RMSProp)引入遗忘机制解决Adagrad学习率耗尽问题。集大成者 (Adam, AdamW)融合动量与自适应思想并修正权重衰减成为当前主流。文章将为每一类优化器剖析其核心动机、数学原理、适用场景、优缺点并清晰地揭示其相对于前代方法的关键改进最后提供一份面向实践的选型指南。一、 核心问题如何在复杂“损失地貌”中高效寻路深度学习的目标是最小化一个高维、非凸的损失函数其参数的维度可达成千上万甚至万亿。我们可以将这个损失函数想象成一个极其复杂、崎岖不平的“地貌景观”Loss Landscape。我们的任务就是从一个随机的初始位置参数初始化一步步走到这个地貌的最低点全局最小值。优化器就是我们的“寻路策略”。最朴素的想法是在当前位置环顾四周找到最陡峭的下坡方向然后朝着这个方向走一小步。这个“最陡峭的下坡方向”就是负梯度。所有优化器都围绕着两个核心问题来构建策略方向Direction朝哪个方向走是严格沿着当前点的负梯度还是考虑历史方向的“惯性”步长Step Size / Learning Rate朝选定的方向走多远是所有参数都走相同的距离还是为不同参数定制不同的步长不同优化器正是对这两个问题给出了不同的答案从而在复杂的损失地貌中展现出各异的寻路行为。二、 梯度下降法朴素而坚实的第一步1. 出现背景梯度下降法是最直观的数值优化方法。深度学习的目标函数通常是定义在整个训练集上的经验风险其中是样本总数。要计算真实梯度需要遍历所有个样本。在动辄百万、千万甚至亿级样本的数据集上计算一次真实梯度的成本是无法接受的。此外神经网络的非凸性意味着即使方向完全准确也可能陷入局部最优或鞍点。因此我们需要更高效、且具备一定“探索性”的梯度近似方法。2. 公式推导与含义设当前参数为学习率为单个样本产生的梯度为。批量梯度下降 (Batch Gradient Descent, BGD)含义每一步更新都使用全部训练数据计算梯度。这个方向准确地指向了当前点经验风险下降最快的方向。随机梯度下降 (Stochastic Gradient Descent, SGD)随机抽取一个样本含义用单个随机样本的梯度作为整体梯度的无偏估计。但其方差巨大。每一步更新成本极低但轨迹充满噪声非常“摇晃”。小批量梯度下降 (Mini-Batch Gradient Descent, MBGD)随机抽取一个大小为的小批量含义在BGD和SGD之间取得平衡。通过对一个小批量内的梯度进行平均既降低了更新的计算成本又显著减小了梯度的方差使得收敛过程更稳定。这是现代深度学习训练的事实标准。通常我们所说的“SGD”实际上指的就是MBGD。3. 适用场景与优缺点方法 优点 缺点 适用场景BGD 更新方向稳定理论性质好 计算成本极高非凸场景易陷入鞍点 仅适用于小型数据集或凸优化问题SGD 更新成本极低噪声有助于跳出局部最优和鞍点 梯度方差大收敛过程震荡剧烈需要小心调整学习率 理论分析或作为其他更复杂优化器的基础MBGD 计算高效可并行化梯度方差可控 仍可能在病态曲率的“峡谷”地貌中震荡 深度学习的默认选择4. 与前一代方法的改进点SGD 相对 BGD用随机近似替代全量计算将单步更新的复杂度从降至并引入了有益的噪声。MBGD 相对 SGD用小批量平均来估计梯度有效降低了梯度估计的方差使得收敛更稳定同时充分利用了现代计算硬件如GPU的并行计算能力提升了训练吞吐量。但都由于梯度不稳定都容易陷入局部极小值处三、 动量方法引入惯性冲过“狭窄峡谷”1. 出现背景MBGD虽然有效但在某些常见的损失地貌中会遇到麻烦。想象一个狭长、陡峭的峡谷在垂直于峡谷走向的方向上梯度很大导致参数在谷壁两侧来回“锯齿状”震荡而在沿着峡谷走向通往最优解的方向上梯度很小导致前进缓慢。我们希望在震荡方向上减速在平坦方向上加速。动量Momentum方法就是为了解决这一问题。其物理类比是一个从山上滚下的小球它不仅受到当前地心引力梯度的影响还保留了之前的速度惯性。这股惯性使得它在平坦的道路上持续加速而在来回震荡的斜坡上相反方向的力会相互抵消从而抑制震荡。2. 公式推导与含义经典动量 (Heavy-ball Momentum)引入一个“速度”或“一阶动量”向量它是历史梯度的指数移动平均Exponentially Moving Average, EMA。通常取 0.9 左右。含义累积了过去梯度。如果历史梯度方向一致会越来越大实现加速如果历史梯度方向反复变化中的正负项会相互抵消实现减速。扮演了“摩擦系数”的角色决定了历史梯度的衰减速度。Nesterov 加速梯度 (Nesterov Accelerated Gradient, NAG)NAG 对经典动量做了一个聪明的修改它不计算当前点的梯度而是先“预估”一下按照当前动量会走到哪里然后在那个“未来”的点计算梯度再用这个梯度来修正最终的步进方向。预估未来位置 (Lookahead position):在未来位置计算梯度:更新速度与位置:含义NAG 具有“前瞻性”。如果动量即将带领我们冲过头NAG 能在未来点上感知到这一点梯度会指向反方向从而提前减速缓解超调overshooting问题收敛更快更稳。3. 适用场景与优缺点优点显著加速在病态曲率ill-conditioned问题上的收敛。有效抑制SGD的震荡允许使用稍大的学习率。对于凸问题有更强的理论收敛保证。缺点引入了新的超参数需要调节。对于变化剧烈的损失地貌过大的动量可能导致冲出最优区域。4. 相对上一代的改进点动量 相对 MBGD核心改进在于方向的计算。它不再只依赖当前梯度而是通过对历史梯度进行指数平滑构造了一个更稳定、更有效的前进方向从而在宏观上加速了收敛。四、 Adagrad为每个参数定制学习率1. 出现背景动量方法统一地调整了所有参数的更新方向但未解决另一个问题所有参数共享同一个学习率是否合理在很多场景尤其是您所熟悉的推荐系统和自然语言处理中输入特征是高度稀疏的。例如一个用户的ID或一个商品的ID作为Embedding层的输入在整个训练数据中可能只出现几次。对于这些稀疏特征对应的参数我们希望在它们每次出现时都给予较大的更新以“快速学习”。而对于那些频繁出现的特征如某些常用词我们则希望更新更保守因为它们已经得到了充分的训练。Adagrad (Adaptive Gradient Algorithm) 应运而生旨在为每个参数自动地、自适应地调整学习率。2. 公式推导与含义Adagrad 为每个参数维护一个累积的平方梯度值。其中表示逐元素相乘含义的第个分量累加了参数自训练开始以来所有梯度的平方。参数的有效学习率变成了。如果一个参数的梯度一直很大更新频繁会很大其有效学习率就会变小。如果一个参数的梯度一直很小或很稀疏更新很少会很小其有效学习率就会较大。是一个极小的常数如用于防止分母为零。这相当于对优化问题进行了对角预条件化Diagonal Preconditioning有效地为不同参数设置了不同的学习率。3. 适用场景与优缺点优点对稀疏特征场景极为有效无需手动调整学习率。在训练前期当梯度较大时能自动降低学习率表现稳健。缺点致命缺陷分母中的是单调递增的。随着训练的进行所有参数的有效学习率最终都会趋近于零导致训练提前“死亡”无法继续学习。4. 相对上一代的改进点Adagrad 相对 动量这是一个范式的转变。优化的焦点从平滑更新方向转向了自适应调整每个参数的步长。它开创了自适应学习率方法的先河解决了统一学习率在异构参数空间中的局限性。五、 RMSProp解决Adagrad学习率急剧下降并最终耗尽的问题1. 出现背景RMSProp (Root Mean Square Propagation) 的提出正是为了解决Adagrad学习率急剧下降并最终耗尽的问题。其核心思想非常直观我们真的需要平等地记住所有历史梯度吗或许我们更应该关注近期的梯度信息。因此RMSProp 将 Adagrad 的梯度平方累加改为一种指数移动平均。2. 公式推导与含义含义与Adagrad唯一的区别在于的计算方式。它不再是简单的累加而是对历史平方梯度的加权平均。是一个衰减率通常设为0.9或0.99它控制了历史信息的遗忘速度。这种机制使得不再单调递增。如果近期梯度变小也会随之下降从而让有效学习率能够回升。这使得RMSProp能更好地适应非平稳目标即损失函数的形状在训练过程中会发生变化。3. 适用场景与优缺点优点继承了Adagrad对参数的自适应学习率能力。通过遗忘机制解决了学习率耗尽问题更适合长期训练。在非平稳或有噪声的优化问题上表现出色。缺点仍然需要手动设置学习率和衰减率。虽然在实践中极为成功但其最初是作为Geoff Hinton课程讲义中的一个技巧提出的缺乏严格的论文发表和理论分析。4. 相对上一代的改进点RMSProp 相对 Adagrad关键改进在于将对历史平方梯度的无限记忆累加改为了带遗忘的指数移动平均。这一改变彻底解决了学习率单调递减至零的问题极大地增强了算法的鲁棒性和适用范围。六、 Adam 与 AdamW动量与自适应的结合1. 出现背景至此我们有两条并行的改进路线动量平滑更新方向估计梯度的一阶矩。Adagrad/RMSProp自适应参数步长估计梯度的二阶矩。一个自然而然的问题是我们能否将两者结合同时享受惯性带来的方向稳定性和自适应学习率带来的步长调整Adam (Adaptive Moment Estimation) 正是这一思想的结晶。它不仅结合了两者的优点还引入了偏差修正使其在训练初期表现更加稳健。而后研究者发现Adam在与L2正则化权重衰减结合使用时存在一个微妙但重要的问题AdamW应运而生通过解耦权重衰减提供了更有效的正则化方案并迅速成为Transformer等大模型的标配。2. 公式推导与含义AdamAdam同时维护梯度的一阶矩动量和二阶矩未开方的RMSProp项的指数移动平均更新一阶矩和二阶矩估计:动量项自适应项偏差修正 (Bias Correction):由于和初始化为0在训练初期和会偏向于0。Adam通过以下方式进行修正参数更新:含义Adam的更新规则可以直观理解为用带有动量的梯度作为更新方向同时用类似RMSProp的来对每个参数的学习率进行自适应缩放。偏差修正确保了在训练初期矩估计也是无偏的。AdamW (Adam with Decoupled Weight Decay)在标准的L2正则化中损失函数会增加一项其梯度为。在Adam中这个正则项梯度会进入和的计算使得权重衰减的效果与梯度的量级耦合在一起导致对大学习率和较大权重的参数实际的权重衰减效果会减弱。AdamW 将权重衰减从梯度计算中解耦出来直接在参数更新步骤中应用执行标准的Adam更新 (不含正则项的梯度)独立进行权重衰减:含义权重衰减不再影响梯度的移动平均估计。它变成了一个独立的、对所有参数通常除了Normalization层和Bias施加的、与其梯度大小无关的“缩放”步骤更符合其作为正则化手段的初衷。3. 适用场景与优缺点优点结合了动量和自适应学习率的优点收敛速度快对超参数选择相对不敏感。AdamW的解耦权重衰减在大型模型如Transformers上被证明能带来更好的泛化性能。已成为绝大多数现代深度学习任务的默认首选优化器。缺点有研究指出在某些CV任务上精调的SGDMomentum最终的泛化性能可能略优于Adam。内存占用比SGD稍大需要存储一阶和二阶矩。4. 相对上一代的改进点Adam 相对 RMSProp/动量首次将一阶矩动量和二阶矩自适应学习率的估计无缝结合并引入偏差修正形成了一个全面且强大的优化框架。AdamW 相对 Adam修正了权重衰减在自适应优化器中的实现方式通过解耦使其正则化效果更稳定、更符合理论预期尤其在大模型和需要强正则化的场景下表现更优。七、 总结与实践选型指南1. 实践选型建议追求最佳泛化性能的CV任务首选 SGD Momentum。虽然调参更具挑战性但配合精心设计的学习率衰减策略如Cosine Annealing和数据增强往往能找到泛化能力更强的更“平坦”的最小值点。NLP、Transformer、大语言模型LLM无悬念首选 AdamW。这类模型对权重衰减的正确实现非常敏感AdamW已成为社区和各大框架的绝对标准。通常配合 Warmup Cosine 的学习率调度器。推荐系统RecSys这是一个混合场景。对于处理ID类稀疏特征的巨大 Embedding 层Adagrad或其变种如 FTRL因其对稀疏特征的优异处理能力仍然是工业界非常强的基线。对于处理稠密特征的 DNN/Tower 部分AdamW 是最佳选择。因此混合使用优化器Hybrid Optimizer是常见策略。强化学习RL、GANs、训练早期不稳定的任务Adam 或 RMSProp 都是很好的选择。它们的自适应特性有助于在动态和噪声环境中稳定训练过程。2. 核心参数参考SGDMomentum: momentum (β) 通常设为 0.9。Adam/AdamW: betas 通常设为 (0.9, 0.999)。对于训练非常长或梯度变化快的任务可尝试减小(如 0.98 或 0.95) 以提高对近期梯度的响应速度。eps (ε) 通常为 1e-8。weight_decay () 是一个关键的正则化超参需根据模型和任务进行调整典型值范围 1e-4 到 1e-1。