深度学习篇---优化器
在 PyTorch 中，优化器（Optimizer）是模型训练的 “指挥官”，负责根据损失函数计算的梯度（“误差方向”）调整模型参数，最终让模型预测越来越准确。不同优化器有不同的 “调整策略”，适合不同的任务和场景。
一、基础优化器：SGD 及其变种
1. 随机梯度下降（SGD）
原理：最基础的优化器，核心思想是 “沿着梯度反方向小步调整参数”。每次用一个样本（或一小批样本）计算梯度，然后更新参数：
新参数 = 旧参数 - 学习率 × 梯度
（学习率：每步调整的 “步长”，比如 0.01）特点：
- 优点：简单直观，内存占用小，适合大规模数据。
- 缺点：收敛速度慢，容易在 “陡峭区域” 震荡（比如损失函数曲面像波浪，SGD 会在波浪上跳来跳去），可能陷入局部最优。
应用场景：
数据量极大、对内存敏感的场景，或作为基础优化器验证模型可行性。
例：训练大规模图像分类模型（如 ResNet 在 ImageNet 上）、推荐系统的基础模型。
2. SGD + 动量（Momentum）
原理：借鉴物理中的 “动量” 概念，让参数更新不仅考虑当前梯度，还保留之前的 “运动趋势”。就像推箱子，一旦动起来就有惯性，不容易停下来。
比如之前一直向左调整，即使某次梯度向右，也会先慢慢减速，而不是立刻反向。特点：
- 优点：加速收敛，减少震荡，更容易跳出局部最优。
- 缺点：需要额外调整 “动量系数”（通常设 0.9）。
应用场景：
几乎所有 SGD 适用的场景，尤其适合损失函数曲面较复杂（有很多局部最优）的任务。
例：训练 CNN（卷积神经网络）处理图像、RNN（循环神经网络）处理文本序列。
3. Nesterov 动量（Nesterov Accelerated Gradient, NAG）
原理：在动量基础上 “往前看一步”。先根据之前的动量 “预判” 一个位置，再在这个位置计算梯度，最后调整参数。相当于 “提前减速”，避免冲过头。
特点：比普通动量收敛更快，对 “复杂曲面” 的适应性更好。
应用场景：
对收敛速度要求较高的任务，尤其是深度学习中的复杂模型。
例：训练生成对抗网络（GAN）、复杂的语义分割模型。
二、自适应学习率优化器
普通 SGD 的学习率是固定的，而 “自适应学习率” 优化器会根据参数的梯度特点自动调整步长：梯度大的参数（学习快的）步长小，梯度小的参数（学习慢的）步长大。
1. 自适应梯度调整（AdaGrad）
原理：记录每个参数的 “历史梯度平方和”，然后用学习率除以这个总和的平方根。相当于：某个参数之前的梯度一直很大（比如频繁更新的权重），之后就减小它的步长；反之则增大步长。
特点：
- 优点：适合稀疏数据（大部分参数梯度为 0，少数非 0），自动给重要参数更大学习率。
- 缺点：历史梯度平方和会越来越大，导致学习率逐渐趋近于 0，后期可能停止更新。
应用场景：
处理稀疏数据的任务。
例：自然语言处理（文本中大部分词出现频率低，是稀疏的）、推荐系统（用户 - 物品交互矩阵稀疏）。
2. 动量版 AdaGrad（RMSprop）
原理：解决 AdaGrad 学习率衰减过快的问题。不记录所有历史梯度，而是用 “指数移动平均”（类似滑动窗口）保留最近的梯度信息，避免总和过大。
特点：
- 优点：学习率衰减更合理，收敛更稳定，是 AdaGrad 的改进版。
- 缺点：需要调整 “衰减系数”（通常设 0.9）。
应用场景：
替代 AdaGrad 的大多数场景，尤其适合需要稳定收敛的任务。
例：语音识别模型（音频特征梯度变化快）、LSTM（长短期记忆网络，处理长序列）。
3. 自适应矩估计（Adam）
原理：结合了 “动量” 和 “RMSprop” 的优点：
- 用动量保留梯度的 “方向趋势”；
- 用 RMSprop 的方式自适应调整每个参数的学习率。
特点：
- 优点：收敛速度快，稳定性好，对超参数（学习率等）不敏感，“开箱即用” 效果好。
- 缺点：在某些任务（如生成模型）中可能收敛到局部最优，而非全局最优。
应用场景：
深度学习中最常用的优化器之一，几乎适用于所有场景，尤其是快速迭代的研究和开发。
例：Transformer 模型（BERT、GPT 等）、目标检测（YOLO、Faster R-CNN）、图像生成（StyleGAN）。
4. Adam 的变种（AdamW）
原理：在 Adam 基础上改进了 “权重衰减”（L2 正则化）的实现方式，让正则化效果更稳定。普通 Adam 的权重衰减会和梯度更新耦合，AdamW 将两者分离，更符合正则化的数学定义。
特点：比 Adam 的泛化能力更好（模型在新数据上表现更稳定）。
应用场景：
对模型泛化能力要求高的任务，尤其是需要大量正则化的场景。
例：训练大规模预训练模型（如 BERT、LLaMA）、小样本学习（数据少，易过拟合）。
三、其他特殊优化器
1. 学习率调度优化器（如 RAdam、Lookahead）
RAdam：解决 Adam 在训练初期（样本少）梯度估计不准的问题，让前期收敛更稳定。
Lookahead：作为 “优化器的优化器”，先让一个基础优化器（如 Adam）快速探索，再慢慢调整到更优的参数，适合需要高精度的任务。
应用场景：
对收敛稳定性要求极高的场景，如学术研究中的高精度模型训练。
2. 低资源优化器（如 Adadelta）
原理：完全去掉学习率参数，通过历史梯度自动计算步长，适合不知道如何设置学习率的场景。
应用场景：
资源有限、调参成本高的任务，如嵌入式设备上的小型模型。
总结：如何选择优化器？
- 新手首选：Adam 或 AdamW，适用性广，调参简单，适合 90% 以上的场景（分类、检测、NLP 等）。
- 追求极致性能：
- 数据稀疏（文本、推荐）：RMSprop 或 AdaGrad；
- 复杂曲面（GAN、分割）：Nesterov 动量或 Adam；
- 大规模数据：SGD + 动量（内存效率高）。
- 特殊需求：
- 泛化能力：AdamW；
- 低资源：Adadelta；
- 学术研究：RAdam、Lookahead。
简单说，优化器就像 “调参的方向盘”，Adam 是 “自动挡”（省心），SGD 是 “手动挡”（灵活但需要更多技巧），根据任务选对 “车型”，模型才能跑得又快又稳！