当前位置：首页 > news >正文

【人工智能学习之优化为什么会失败】

news 来源：原创 2025/6/20 2:46:22

【人工智能学习之优化为什么会失败与方案建议】

一、优化为什么会失败？
- - 1. 局部极小值和鞍点
  - 2. 梯度消失/爆炸（Vanishing/Exploding Gradients）
  - 2. 病态条件（Ill-Conditioning）
  - 3. 参数初始化不当
  - 4. 学习率不当
  - 5. 过拟合（Overfitting）
二、直接与间接的优化方法
- 传统方法：基于梯度下降的改进
- - 1. 随机梯度下降（SGD）
  - 2. 动量法（Momentum）
  - 3. Nesterov加速梯度（NAG）
- 现代优化器：自适应学习率与二阶方法
- - 1. AdaGrad（自适应梯度）
  - 2. RMSProp
  - 3. Adam（自适应矩估计）
  - 4. 二阶方法（如牛顿法）
- 逃离鞍点的特殊技巧
- - - 1. 随机扰动（Perturbed SGD）
    - 2. 负曲率利用（Negative Curvature Descent）
    - Hessian矩阵与逃离方向
- 模型设计与训练策略
- - - 1. 批归一化（Batch Normalization）
    - 2. 残差连接（ResNet）
    - 3. 学习率调度（Learning Rate Scheduling）
三、总结与实用建议
- - - 1. 优先选择的优化器
    - 2. 逃离鞍点的组合策略
    - 3. 模型训练的技巧
    - 4. 实战案例

一、优化为什么会失败？

优化失败的原因多种多样，从网络设计到模型训练，每一步都有可能造成影响，被评估优秀的模型是非常严格非常精密的。

1. 局部极小值和鞍点

问题：在深度学习中损失不是只在局部极小值的梯度是零，还有其他可能会让梯度是零的点，比如鞍点（saddle point）。如果损失收敛在局部极小值，我们所在的位置已经是损失最低的点了，往四周走损失都会比较高，就没有路可以走了。但实际上这里可能只是一个“小水洼”，前方还有更深的“峡谷”，模型却在“水洼”处无法进一步降低损失。模型需要采取其他策略跳出“水洼”才能继续降低损失以达到更优解甚至最优解。另外对于鞍点来说，没有这个跳出“水洼”这种问题，旁边还是有路可以让损失更低的。所以只要逃离鞍点，就有可能让损失更低。
例子：鞍点得名于马鞍的形状。想象你坐在马鞍上：沿着马头方向（前后）是“下坡”，而沿着马背方向（左右）是“上坡”，对于鞍中心的 $x$ 点而言，垂直观察前后截面可以发现 $x$ 点是极大值点，垂直观察左右截面可以发现 $x$ 点是极小值点，俩个方向观察同一个点却呈现不同的极值状态。所以不难理解：鞍点是一个梯度为零的点，但某些方向是极小值，另一些方向是极大值。
理解：【人工智能学习之局部极小值与鞍点】

2. 梯度消失/爆炸（Vanishing/Exploding Gradients）

问题：深层网络中，反向传播时梯度可能指数级缩小（消失）或增大（爆炸），导致参数无法有效更新。
例子：假设激活函数是Sigmoid，它的导数最大0.25。经过10层后，梯度可能缩小到 $0.2 5^{10} \approx 1 e - 6$ ，几乎为零。
数学：若权重矩阵 $W$ 的最大特征值 $\lambda >1$ ，梯度爆炸；若 $\lambda <1$ ，梯度消失。

2. 病态条件（Ill-Conditioning）

问题：损失函数在不同方向上的曲率差异巨大（Hessian矩阵的条件数高），导致梯度下降震荡。
例子：想象一个狭长的山谷，沿山谷方向梯度小，垂直方向梯度大。普通梯度下降会反复横跳。

3. 参数初始化不当

问题：初始权重过大或过小，导致激活值饱和（如Sigmoid输出接近0或1），梯度消失。
例子：若权重初始化为全0，所有神经元的输出相同，反向传播时梯度也相同，失去多样性。

4. 学习率不当

太大：损失函数震荡甚至发散（步子太大跳过最低点）。
太小：收敛极慢，可能卡在平坦区域。

5. 过拟合（Overfitting）

问题：模型在训练集上表现好，但泛化差。本质是优化时过度拟合噪声。
例子：用高阶多项式拟合几个带噪声的数据点，曲线“完美”穿过所有点但毫无规律。

二、直接与间接的优化方法

如何跳出局部最优解？如何逃离鞍点？哪些优化方法行之有效？还有哪些其他的优化角度？

传统方法：基于梯度下降的改进

1. 随机梯度下降（SGD）

核心思想：利用mini-batch的随机性引入噪声，帮助逃离局部极小值和鞍点。
数学形式：
$\theta_{t+1} = \theta_t - \eta \nabla L_{\text{batch}}(\theta_t)$
其中 $\nabla L_{\text{batch}}$ 是随机小批量数据的梯度。
为什么有效：
- 噪声扰动可能将参数推离平坦区域（如鞍点）。
- 在局部极小值附近，噪声可能提供“跳出”的动力。
局限性：噪声可能使收敛不稳定，需要精细调整学习率。

2. 动量法（Momentum）

核心思想：引入“动量”积累历史梯度方向，帮助冲过平坦区域。
数学形式：
$v_t = \beta v_{t-1} + \nabla L(\theta_t) \\ \theta_{t+1} = \theta_t - \eta v_t$
其中 $\beta$ 是动量系数（通常取0.9）。
为什么有效：
- 逃离鞍点：在鞍点附近，梯度为零，但动量项 $v_t$ 可能保留之前的方向，推动参数继续移动。
- 穿越局部极小值：动量积累的“惯性”可能帮助跳过狭窄的局部极小。
例子：想象小球滚下山坡，遇到小坑（局部极小）时，动量可能让它滚过去。

3. Nesterov加速梯度（NAG）

核心思想：先根据动量方向“预览”未来位置，再计算梯度。
数学形式：
$v_t = \beta v_{t-1} + \nabla L(\theta_t - \eta \beta v_{t-1}) \\ \theta_{t+1} = \theta_t - \eta v_t$
优势：比普通动量法更“聪明”，减少震荡，更快收敛。

现代优化器：自适应学习率与二阶方法

1. AdaGrad（自适应梯度）

核心思想：为每个参数自适应调整学习率，适合稀疏数据。
数学形式：
$G_t = G_{t-1} + (\nabla L(\theta_t))^2 \\ \theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{G_t + \epsilon}} \nabla L(\theta_t)$
- $G_t$ 是历史梯度平方的累加。
为什么有效：
- 频繁更新的参数学习率降低（分母大），稀疏参数学习率保持较高。
- 在鞍点附近，梯度可能突然增大，自适应学习率能快速调整。

2. RMSProp

核心思想：改进AdaGrad，引入指数衰减平均，防止学习率过早下降。
数学形式：
$G_t = \beta G_{t-1} + (1-\beta)(\nabla L(\theta_t))^2 \\ \theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{G_t + \epsilon}} \nabla L(\theta_t)$
- 通常 $\beta = 0.9$ 。

3. Adam（自适应矩估计）

核心思想：结合动量与自适应学习率（目前最常用的优化器）。
数学形式：
$m_t = \beta_1 m_{t-1} + (1-\beta_1)\nabla L(\theta_t) \quad \text{ （一阶矩，动量）}$
$v_t = \beta_2 v_{t-1} + (1-\beta_2)(\nabla L(\theta_t))^2 \quad \text{ （二阶矩，自适应学习率）}$
$\hat{m}_t = \frac{m_t}{1-\beta_1^t}, \quad \hat{v}_t = \frac{v_t}{1-\beta_2^t} \quad \text{ （偏差修正）}$
$\theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon} \hat{m}_t$
- 默认参数： $\beta_1=0.9, \beta_2=0.999, \epsilon=1e-8$ 。
为什么有效：
- 动量项帮助逃离鞍点和平坦区域。
- 自适应学习率在不同参数方向调整步长，适合病态曲率。

4. 二阶方法（如牛顿法）

核心思想：利用Hessian矩阵的曲率信息，直接找到下降方向。
数学形式：
$\theta_{t+1} = \theta_t - \eta H^{-1} \nabla L(\theta_t)$
- $H$ 是Hessian矩阵。
优势：
- 在鞍点处，Hessian矩阵的负特征值方向直接给出逃离方向。
- 收敛速度快（二次收敛）。
局限性：
- 计算Hessian矩阵及其逆的复杂度为 $O(D^3)$ ，不适用于深度学习（参数维度 $D$ 太大）。
近似方法：
- L-BFGS：有限内存BFGS，适用于中小规模问题。
- K-FAC：自然梯度法的近似，用于深度学习。

逃离鞍点的特殊技巧

1. 随机扰动（Perturbed SGD）

核心思想：主动向参数添加噪声，增加探索能力。
数学形式：
$\theta_{t+1} = \theta_t - \eta \nabla L(\theta_t) + \epsilon_t, \quad \epsilon_t \sim \mathcal{N}(0, \sigma^2)$
为什么有效：
- 在鞍点附近，随机扰动可能将参数推到负曲率方向，从而开始下降。
论文支持：Google Brain的《Adding Gradient Noise Improves Learning》证明了噪声的有效性。

2. 负曲率利用（Negative Curvature Descent）

核心思想：显式检测负曲率方向，并沿该方向下降。
步骤：
1. 计算Hessian矩阵的最小特征值 $\lambda_{\min}$ 和对应特征向量 $v$ 。
2. 如果 $\lambda_{\min} < 0$ ，沿 $v$ 方向更新：
  $\theta_{t+1} = \theta_t - \eta \cdot \text{sign}(v^T \nabla L) \cdot v$
适用场景：小规模问题或理论分析。

Hessian矩阵与逃离方向

假设在鞍点 $\theta^*$ ，Hessian矩阵 $H$ 有负特征值 $\lambda < 0$ ，对应特征向量 $v$ 。沿 $v$ 方向的更新：
$\theta = \theta^* + \epsilon v \quad \Rightarrow \quad L(\theta) \approx L(\theta^*) + \frac{1}{2} \epsilon^2 \lambda < L(\theta^*)$
此时损失函数会下降，这就是逃离鞍点的数学原理。

模型设计与训练策略

1. 批归一化（Batch Normalization）

核心思想：标准化每层输入，减少内部协变量偏移。
操作：
$\hat{x} = \frac{x - \mu}{\sqrt{\sigma^2 + \epsilon}}, \quad y = \gamma \hat{x} + \beta$
为什么有效：
- 保持激活值的稳定分布，防止梯度消失/爆炸。
- 允许使用更大的学习率，间接帮助逃离局部极小。

2. 残差连接（ResNet）

核心思想：通过跳跃连接传递原始输入，确保梯度可以直通深层。
数学形式：
$y = f (x) + x$
为什么有效：
- 即使 $f (x)$ 的梯度消失， $x$ 的直连路径仍能传递梯度，保证了梯度不会消失。

3. 学习率调度（Learning Rate Scheduling）

常用策略与为什么有效：
- 预热（Warmup）：初始阶段逐步增大学习率，防止早期震荡。
- 余弦退火（Cosine Annealing）：利用余弦周期，周期性地重置学习率，在某一周期以较大学习率跳出局部极小。
- 周期性重启（SGDR）：类似模拟退火，周期性增加学习率。