什么是學(xué)習(xí)率？它的用途是什么？

神經(jīng)網(wǎng)絡(luò)計算其輸入的加權(quán)和，并通過一個激活函數(shù)得到輸出。為了獲得準確的預(yù)測，一種稱為梯度下降的學(xué)習(xí)算法會在從輸出向輸入后退的同時更新權(quán)重。

梯度下降優(yōu)化器通過最小化一個損失函數(shù)（L）來估計模型權(quán)重在多次迭代中的良好值，這就是學(xué)習(xí)率發(fā)揮作用的地方。它控制模型學(xué)習(xí)的速度，換句話說，控制權(quán)重更新到l最小點的速度。新（更新后）和舊（更新前）權(quán)重值之間的關(guān)系如下：

學(xué)習(xí)率是否為負值？

梯度L/w是損失函數(shù)遞增方向上的向量。L/w是L遞減方向上的向量。由于η大于0，因此是正值，所以-ηL/w朝L的減小方向向其最小值邁進。如果η為負值，則您正在遠離最小值，這是它正在改變梯度下降的作用，甚至使神經(jīng)網(wǎng)絡(luò)無法學(xué)習(xí)。如果您考慮一個負學(xué)習(xí)率值，則必須對上述方程式做一個小更改，以使損失函數(shù)保持最?。?/p>

學(xué)習(xí)率的典型值是多少？

學(xué)習(xí)率的典型值范圍為10 E-6和1。

梯度學(xué)習(xí)率選擇錯誤的問題是什么？

達到最小梯度所需的步長直接影響機器學(xué)習(xí)模型的性能：

小的學(xué)習(xí)率會消耗大量的時間來收斂，或者由于梯度的消失而無法收斂，即梯度趨近于0。

大的學(xué)習(xí)率使模型有超過最小值的風(fēng)險，因此它將無法收斂：這就是所謂的爆炸梯度。

梯度消失（左）和梯度爆炸（右）

因此，您的目標是調(diào)整學(xué)習(xí)率，以使梯度下降優(yōu)化器以最少的步數(shù)達到L的最小點。通常，您應(yīng)該選擇理想的學(xué)習(xí)率，該速率應(yīng)足夠小，以便網(wǎng)絡(luò)能夠收斂但不會導(dǎo)致梯度消失，還應(yīng)足夠大，以便可以在合理的時間內(nèi)訓(xùn)練模型而不會引起爆炸梯度。

除了對學(xué)習(xí)率的選擇之外，損失函數(shù)的形狀以及對優(yōu)化器的選擇還決定了收斂速度和是否可以收斂到目標最小值。

錯誤的權(quán)重學(xué)習(xí)率有什么問題？

當(dāng)我們的輸入是圖像時，低設(shè)置的學(xué)習(xí)率會導(dǎo)致如下圖所示的噪聲特征。平滑、干凈和多樣化的特征是良好調(diào)優(yōu)學(xué)習(xí)率的結(jié)果。是否適當(dāng)?shù)卦O(shè)置學(xué)習(xí)率決定了機器學(xué)習(xí)模型的預(yù)測質(zhì)量：要么是進行良好的訓(xùn)練，要么是不收斂的網(wǎng)絡(luò)。

繪制神經(jīng)網(wǎng)絡(luò)第一層產(chǎn)生的特征：不正確（左）和正確（右）設(shè)置學(xué)習(xí)率的情況

我們可以事先計算出最佳學(xué)習(xí)率嗎？

通過理論推導(dǎo)，不可能計算出導(dǎo)致最準確的預(yù)測的最佳學(xué)習(xí)率。為了發(fā)現(xiàn)給定數(shù)據(jù)集上給定模型的最佳學(xué)習(xí)率值，必須進行觀察和體驗。

我們?nèi)绾卧O(shè)置學(xué)習(xí)率？

以下是配置η值所需了解的所有內(nèi)容。

使用固定學(xué)習(xí)率：

您確定將在所有學(xué)習(xí)過程中使用的學(xué)習(xí)率的值。這里有兩種可能的方法。第一個很簡單的。它由實踐中常用的常用值組成，即0.1或0.01。第二種方法，您必須尋找適合您的特定問題和神經(jīng)網(wǎng)絡(luò)架構(gòu)的正確學(xué)習(xí)率。如前所述，學(xué)習(xí)率的典型值范圍是10 E-6和1。因此，你粗略地在這個范圍內(nèi)搜索10的各種階數(shù)，為你的學(xué)習(xí)率找到一個最優(yōu)的子范圍。然后，您可以在粗略搜索所找到的子范圍內(nèi)以較小的增量細化搜索。你在實踐中可能看到的一種啟發(fā)式方法是在訓(xùn)練時觀察損失，以找到最佳的學(xué)習(xí)率。

學(xué)習(xí)率時間schedule的使用：

與固定學(xué)習(xí)率不同，此替代方法要求根據(jù)schedule在訓(xùn)練epochs內(nèi)改變η值。在這里，您將從較高的學(xué)習(xí)率開始，然后在模型訓(xùn)練期間逐漸降低學(xué)習(xí)率。在學(xué)習(xí)過程的開始，權(quán)重是隨機初始化的，遠遠沒有優(yōu)化，因此較大的更改就足夠了。隨著學(xué)習(xí)過程的結(jié)束，需要更完善的權(quán)重更新。通常每隔幾個epochs減少一次學(xué)習(xí)Learning step。學(xué)習(xí)率也可以在固定數(shù)量的訓(xùn)練epochs內(nèi)衰減，然后對于其余的訓(xùn)練epochs保持較小的恒定值。

常見的兩種方案。第一種方案，對于固定數(shù)量的訓(xùn)練epochs，每次損失平穩(wěn)（即停滯）時，學(xué)習(xí)率都會降低。第二種方案，降低學(xué)習(xí)率，直到達到接近0的較小值為止。三種衰減學(xué)習(xí)率的方法，即階躍衰減、指數(shù)衰減和1/t衰減。

在SGD中添加Momentum：

它是在經(jīng)典的SGD方程中加入一項：

這個附加項考慮了由于Vt-1而帶來的權(quán)重更新的歷史，Vt-1是過去梯度的指數(shù)移動平均值的累積。這就平滑了SGD的進程，減少了SGD的振蕩，從而加速了收斂。然而，這需要設(shè)置新的超參數(shù)γ。除了學(xué)習(xí)率η的挑戰(zhàn)性調(diào)整外，還必須考慮動量γ的選擇。γ設(shè)置為大于0且小于1的值。其常用值為0.5、0.9和0.99。

自適應(yīng)學(xué)習(xí)率的使用：

與上述方法不同，不需要手動調(diào)整學(xué)習(xí)率。根據(jù)權(quán)重的重要性，優(yōu)化器可以調(diào)整η來執(zhí)行更大或更小的更新。此外，對于模型中的每個權(quán)重值，都確保了一個學(xué)習(xí)率。Adagrad，Adadelta，RMSProp和Adam是自適應(yīng)梯度下降變體的例子。您應(yīng)該知道，沒有哪個算法可以最好地解決所有問題。

學(xué)習(xí)率配置主要方法概述

學(xué)習(xí)率的實際經(jīng)驗法則是什么？

學(xué)習(xí)率是機器學(xué)習(xí)模型所依賴的最重要的超參數(shù)。因此，如果您不得不設(shè)置一個且只有一個超參數(shù)，則必須優(yōu)先考慮學(xué)習(xí)率。

機器學(xué)習(xí)模型學(xué)習(xí)率的調(diào)整非常耗時。因此，沒有必要執(zhí)行網(wǎng)格搜索來找到最佳學(xué)習(xí)率。為了得到一個成功的模型，找到一個足夠大的學(xué)習(xí)率使梯度下降法有效收斂就足夠了，但又不能大到永遠不收斂。

如果您選擇一種非自適應(yīng)學(xué)習(xí)率設(shè)置方法，則應(yīng)注意該模型將具有數(shù)百個權(quán)重（或者數(shù)千個權(quán)重），每個權(quán)重都有自己的損失曲線。因此，您必須設(shè)置一個適合所有的學(xué)習(xí)率。此外，損失函數(shù)在實際中往往不是凸的，而是清晰的u形。他們往往有更復(fù)雜的非凸形狀局部最小值。

自適應(yīng)方法極大地簡化了具有挑戰(zhàn)性的學(xué)習(xí)率配置任務(wù)，這使得它們變得更加常用。此外，它的收斂速度通常更快，并且優(yōu)于通過非自適應(yīng)方法不正確地調(diào)整其學(xué)習(xí)率的模型。

SGD with Momentum，RMSProp和Adam是最常用的算法，因為它們對多種神經(jīng)網(wǎng)絡(luò)架構(gòu)和問題類型具有魯棒性。