计算机视觉工程师在面试过程中主要考察三个内容：图像处理、机器学习、深度学习。然而，各类资料纷繁复杂，或是简单的知识点罗列，或是有着详细数学推导令人望而生畏的大部头。为了督促自己学习，也为了方便后人，决心将常考必会的知识点以通俗易懂的方式设立专栏进行讲解，努力做到长期更新。此专栏不求甚解，只追求应付一般面试。希望该专栏羽翼渐丰之日，可以为大家免去寻找资料的劳累。每篇介绍一个知识点，没有先后顺序。想了解什么知识点可以私信或者评论，如果重要而且恰巧我也能学会，会尽快更新。最后，每一个知识点我会参考很多资料。考虑到简洁性，就不引用了。如有冒犯之处，联系我进行删除或者补加引用。在此先提前致歉了！
优化器的细节较多，难以死记硬背
希望通过这篇文章，让大家能够学会自己分析
什么是优化器？
我们在学习的过程中有一个目标
我们会不断向着目标前进
有些人前进到了清华
有些人前进到了蓝翔
原因是，在向目标的前进过程中，每个人有自己不同的策略
回归正题
损失函数就是模型的前进目标
优化器就是模型前进的策略
通过一个抽象的例子引出常用优化器
我在山顶，想要下山到海拔最低点
标准梯度下降法(GD, Gradient Descent)
我是个严谨的人
我询问了从古至今所有登过这座山的人
在山顶这个位置，如何才能下山
对他们所说的方向取一个平均，走出了第一步
站在新的位置上，我再次把所有的人询问一遍
得到一个新的方向，再走一步…
分析：
走一步的代价太大了
登过这座山的人如果很多很多，我的大脑一次性无法存储这些信息
如果东南西北都能下山，每个方向下山的人都是相同的
把他们的经验平均后，我只能停留在原地
数学模型：
w是所有的参数 对应 我的位置
t是迭代的次数 对应 我走了多少步
η是学习率 对应 我步子的大小
后面的是梯度 对应 前进的方向
随机梯度下降法(SGD, Stochastic Gradient Descent)
这次我决定莽撞一些
我询问一个人后，他让我去哪，我就去哪
到达新的位置后，我再问新的人…
分析：
问的人有登山高手
当然也有路人甲
甚至还有人故意坑你
所以虽然思考的时间短了
但是，走了很多弯路
数学模型：
将GD模型中的梯度改为上面的式子
（第二个x应该是y）
批量梯度下降法(BGD, Batch Gradient Descent)
既然太严谨，太莽撞都不行
折中一下吧
每次问n个人
对n个人的意见取平均
分析：
GD和SGD的折中
数学模型：
以上括号中的x和y可以理解成样本和标签
阶段总结：
局部最优点
当我走到大山中一个小山谷的谷底
很多人告诉我，这就是最低点了
于是我心满意足，停滞不前，最后永远留在了山谷里
或者
我要爬出山谷
爬上去一点，大家告诉我，往回走会到低的地方
于是我又走回谷底
来来回回，永远留在了山谷里
鞍点
什么是鞍点？
对应到我的下山故事
半山腰有缆车平台，缆车的方向是南北走向
从山底走到缆车平台的方向是东西走向
那么缆车平台就是鞍点
所以，根据其他人的意见
我在缆车的方向走来走去
我可能会认为缆车平台就是山底了
于是我同样停滞不前
动量法(Momentum)
这次我不走了
我开车
我的车速太快了或者惯性太大了
我一下子就冲出了山谷或者缆车平台
分析：
我加快了速度
同时也逃离了一些不该停留的地方
但是车速太快
一路狂奔，太头铁了
具体原因看下一个方法
数学模型：
v是参数更新的大小
a是超参数，一般取0.9
代表上一步更新的大小在这一次的行动中依然占很大的比重
也就是说我在下山的过程中有了很大的惯性，比如我开上了车
a越大，惯性越大，头越铁…
牛顿加速梯度（NAG, Nesterov accelerated gradient）
我头铁往山下狂奔不正是最初的目的吗？为何不可？
我们的初心：去往海拔最低点
头铁的坏处：北门是最低点，我却狂奔到了南门
虽然南门也是山底，但是不是我想要的山底
我想到了一个办法：
在我猛踩油门之前，我先向前面开一点，打探一下前面的信息
这个时候前面的路况告诉我别一直往北，该稍微往东一些了
所以我就向东北开车
分析：
动量法的优化
数学模型：
可以看出，计算梯度前
先根据上一步的方向，前进了一些
这就是和动量法的主要区别
阶段总结：
一座山的大小是固定的
我如果已经开着车在南北走向开了好几百里了
那么我应该可以在南北走向的车速放慢一些了
多向东西走向走一走
其中南北走向和东西走向代表两个参数
每个方向的车速，代表这个方向的学习率
下一个阶段的目标就是
将不同参数的学习率分离开
即南北方向慢一些，东西方向相对就快一些了
AdaGrad
随着我在南北走向开的越来越远
我逐渐降低了南北走向的速度
分析：
速度的大小是相对的
即使东西走向的速度没有加快，甚至小幅减小
但是如果南北走向的速度大幅减小
那么也等于增加了在东西走向的探索
数学模型：
注意，这次的参数不再是参数整体，而是单独的参数
gt是当前该参数的梯度平方大小
可以看出，分母将历史所有梯度平方求和（加的数是一个很小的数，防止分母为0）
即这个参数更新很多了，那以后就少更新一些
RMSProp
我想在南北走向慢一点
但是随着时间的推移
上述策略导致我在南北走向逐渐停滞不前
即使目的地北门就在我眼前
但是我在这个方向的速度太慢
1米的距离像1公里那么长
于是想到一个折中的办法
我之前对南北方向速度的惩罚利用的是在南北方向行驶的总距离
现在，我每走一步，对上述的总距离进行一个衰减
防止总距离最后太大，对我南北方向的行驶造成太大的阻力
分析：
AdaGrad的优化
数学模型：
E(g)就是总距离，a对总距离进行衰减
因为总距离是经过衰减的，所以此处的总距离不同于AdaGrad中的总距离
Adam
经过上面所有的分析，我终于找到了最理想的方法
将上述方法的优点全部结合
分析：
最常用或者默认的优化器
数学模型：
式1对应动量法的优点，即我在开车
式2对应我在同一个方向上行驶过多的约束
B1和B2是超参数，接近1的数，比如0.999
式3是对式1式2的放大
可以分析出，刚开始时，对两者的放大作用明显
时间久了，放大作用就小了
抽象一下：
就是时间久了，快到目的地了
车速可以适当变慢，没必要那么快了
对一个方向速度的惩罚减小，否则到达终点的速度太慢了
终于成功下山了
再见！
方法名称记忆？
Ada:adaption 自适应
m:动量
所以Adam就是两者联合
完
欢迎讨论 欢迎吐槽
