当前位置：首页 > news >正文

【硬核数学】9. 驯服“梯度下降”：深度学习中的优化艺术与正则化技巧《从零构建机器学习、深度学习到LLM的数学认知》

news 2025/6/30 11:39:15

欢迎来到本系列的第九篇文章。我们已经知道，训练深度学习模型的核心循环是：前向传播计算损失，反向传播计算梯度，然后用梯度更新参数。这个“用梯度更新参数”的步骤，正是由优化器 (Optimizer) 来完成的。

在微积分的章节中，我们学习了最基础的优化算法——梯度下降（GD）。它的思想简单而纯粹：计算整个数据集上的损失，得到一个“真实”的梯度，然后沿着这个梯度的反方向前进一步。这就像拥有了一张整个山脉的精确地貌图，然后朝着最陡峭的下坡方向走。

但在深度学习的时代，这张“地图”（数据集）可能有数十亿个像素（ImageNet）或数万亿个单词（用于训练LLM的语料库）。要求计算机一次性读取整张地图来决定仅有的一小步，是完全不可行的。更何况，深度学习的损失地貌（Loss Landscape）远比我们想象的要复杂和险恶。

因此，深度学习的优化，是一门在“信息不完全”和“地形险恶”双重挑战下的“寻路艺术”。本文将带你领略这门艺术的演进过程，从最朴素的随机梯度下降，到统治当今业界的Adam优化器，并揭示那些让模型训练从“不可能”变为“可能”的关键技术。

第一部分：从蹒跚学步到踉跄前行 —— 随机梯度下降(SGD)

面对无法一次性处理整个数据集的困境，科学家们提出了一个简单而天才的想法：如果不能看全图，那就每次只看地图的一小块，然后大致估摸一个方向走一步。这就是随机梯度下降 (Stochastic Gradient Descent, SGD) 的核心思想。

批量梯度下降 vs. 随机梯度下降

批量梯度下降 (Batch Gradient Descent, BGD)：这是我们之前讨论的标准GD。它在每次更新前，都会计算整个训练集的损失和梯度。
- 优点：梯度是“真实”的，下降路径平滑且直指最优。
- 缺点：计算成本极高，对于大规模数据集无法接受；容易陷入尖锐的局部最小值。
随机梯度下降 (SGD)：在最极端的情况下，它每次更新只随机抽取一个样本来计算损失和梯度。在更常见的实践中，我们使用一个折中的方案，即小批量随机梯度下降 (Mini-batch SGD)，每次使用一小批（例如32、64或128个）样本。在深度学习语境下，我们通常说的SGD，指的就是Mini-batch SGD。

SGD的参数更新公式为：
$\theta = \theta - \eta \cdot \nabla_{\theta} L(\theta; \mathbf{x}^{(i:i+n)}; \mathbf{y}^{(i:i+n)})$
其中， $\eta$ 是学习率，梯度 $\nabla_{\theta} L$ 是基于一小批样本（从索引 $i$ 到 $i + n$ ）计算的。

SGD的“随机”之舞

这个用小批量梯度估算出的梯度，是对真实梯度的一个有噪声的近似。因此，SGD的下降路径不再是平滑的，而是充满了噪声和震荡，像一个踉踉跄跄的醉汉在下山。

在这里插入图片描述

这张图直观地对比了BGD和SGD的路径差异。BGD像一个专业的登山家，路线精准。SGD则像一个业余爱好者，走走停停，方向摇摆，但大体上也在向山下前进。

这种“随机性”既是缺点也是优点：

缺点：收敛速度慢，需要更多的迭代次数。由于梯度噪声，它永远不会精确地收敛到最优点，而是在最优点附近徘徊。
优点：噪声有时能帮助优化器“跳出”尖锐的、不好的局部最小值，或者更快地滑过鞍点，从而有可能找到一个更平坦、泛化能力更好的最小值区域。

SGD面临的挑战

尽管SGD是深度学习优化的基石，但它本身存在几个严重的问题，使得它在面对复杂的损失地貌时举步维艰：

峡谷/病态曲率问题：损失地貌常常呈现出“峡谷”形状——在某个方向上非常陡峭，而在另一个方向上非常平缓。SGD在这种地形中会表现得非常糟糕，它会在陡峭的峡谷壁之间来回震荡，而在平缓的谷底方向上进展缓慢。
鞍点问题：在高维空间中，局部最小值其实相对较少，而鞍点 (Saddle Points)（在某些维度上是最大值，在另一些维度上是最小值）则无处不在。在鞍点附近，梯度非常小，几乎为零，SGD很容易在这里“卡住”，停滞不前。
统一学习率的困境：对所有参数使用同一个学习率 $\eta$ 是不合理的。有些参数可能需要大步前进，有些则需要小步微调。固定的学习率难以适应这种情况。

为了解决这些问题，一系列更先进的优化器被提了出来。它们的核心思想，都是在SGD的基础上，增加一些“智能”的机制。

第二部分：智能导航的进化 —— 从动量到Adam

为了克服SGD的种种缺陷，研究者们从物理学和信号处理中汲取灵感，开发出了一系列改进版的优化器。

动量 (Momentum)：冲过山谷和高原的“重球”

为了解决SGD在峡谷中震荡和在鞍点上停滞的问题，动量法被引入。它的核心思想是，在更新参数时，不仅考虑当前的梯度，还累积过去梯度的方向，形成一个“动量”或“速度”。

想象一个重球从山上滚下。它不仅受到当前地势（梯度）的影响，还因为自身的惯性（动量）而保持着之前的运动趋势。这使得它：

在峡谷中，垂直于谷底方向的梯度会因为来回震荡而相互抵消，而沿着谷底方向的梯度则会持续累积，从而加速小球在谷底的前进。
在鞍点或平坦区域，即使当前梯度很小，小球依然可以凭借之前积累的动量“冲”过去。

动量法的更新规则如下：
$\mathbf{v}_t = \beta \mathbf{v}_{t-1} + \eta \nabla_{\theta} L(\theta) \\ \theta = \theta - \mathbf{v}_t$

$\mathbf{v}_t$ 是在时间步 $t$ 的“速度”向量。
$\beta$ 是动量系数（通常设为0.9），它控制着“摩擦力”的大小。 $\beta$ 越大，过去的梯度对当前方向的影响就越大。

在这里插入图片描述

这张图清晰地展示了动量法如何通过平滑梯度更新，来抑制震荡并加速收敛。

自适应学习率：为每个参数量身定制步伐

动量法解决了方向问题，但学习率问题依然存在。自适应学习率方法的核心思想是：为网络中的每一个参数，都独立地维护一个学习率。

RMSProp (Root Mean Square Propagation) 是其中的一个代表。它通过记录每个参数梯度的平方的移动平均值，来调整其学习率。

更新规则的核心思想：
$E[g^2]_t = \gamma E[g^2]_{t-1} + (1-\gamma) (\nabla_{\theta} L)^2 \\ \theta = \theta - \frac{\eta}{\sqrt{E[g^2]_t + \epsilon}} \nabla_{\theta} L$

$E[g^2]_t$ 是梯度平方的移动平均值。
$\gamma$ 是衰减率（通常设为0.999）。
$\epsilon$ 是一个极小的数（如 $10^{-8}$ ），防止分母为零。

直观理解：如果某个参数的梯度一直很大，那么 $E[g^2]_t$ 就会很大，导致其有效学习率 $\frac{\eta}{\sqrt{E[g^2]_t + \epsilon}}$ 变小，从而起到“刹车”作用。反之，如果某个参数的梯度很小，其有效学习率就会变大，起到“助推”作用。这使得RMSProp在处理不同尺度的梯度时非常有效。

Adam：集大成者，当今的王者

Adam (Adaptive Moment Estimation) 优化器，是目前深度学习领域应用最广泛、最成功的优化器之一。它的名字已经揭示了其本质：它结合了动量法（一阶矩估计）和RMSProp（二阶矩估计）的思想。

Adam为每个参数维护了两个移动平均值：

$m_t$ ：梯度的一阶矩（均值）的指数移动平均，就像动量。
$v_t$ ：梯度平方的二阶矩（方差）的指数移动平均，就像RMSProp。

完整的更新规则如下：
$m_t = \beta_1 m_{t-1} + (1-\beta_1) g_t \\ v_t = \beta_2 v_{t-1} + (1-\beta_2) g_t^2$
由于 $m_t$ 和 $v_t$ 在初始时被初始化为0，它们在训练早期会偏向于0。因此，Adam引入了偏差修正 (Bias Correction)：
$\hat{m}_t = \frac{m_t}{1 - \beta_1^t} \\ \hat{v}_t = \frac{v_t}{1 - \beta_2^t}$
最终的参数更新：
$\theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon} \hat{m}_t$
Adam几乎结合了之前所有优化器的优点：它像动量法一样能累积速度冲过平坦区域，又像RMSProp一样能为每个参数自适应地调整学习率。这使得它在各种不同的模型和任务上都表现得非常鲁棒，通常只需要很少的超参数调整就能获得不错的效果。

第三部分：防止“走火入魔” —— 正则化与梯度控制

拥有了像Adam这样的强大优化器，我们就能在损失地貌上飞速前进了。但“快”并不总是好事。我们可能会因为模型过于强大而“用力过猛”，导致过拟合 (Overfitting)；也可能因为网络过深，导致梯度在传播过程中“失控”。

正则化：给模型套上“缰绳”

正则化 (Regularization) 是任何用于避免过拟合、提升模型泛化能力的技术的总称。其核心思想是在优化原始损失函数的同时，对模型的复杂度进行惩罚。

L1/L2 正则化 (Weight Decay)：这是最经典的正则化方法。我们在损失函数中加入一个与模型权重大小相关的项。
- L2正则化： $L_{total} = L_{original} + \frac{\lambda}{2} \sum_i w_i^2$ 。它惩罚大的权重，倾向于让所有权重都变得比较小，使得模型更“平滑”。在优化器中，这等价于权重衰减 (Weight Decay)。
- L1正则化： $L_{total} = L_{original} + \lambda \sum_i |w_i|$ 。它倾向于让一些不重要的权重直接变为0，从而实现稀疏化和特征选择。
Dropout：随机失活的“集体智慧”
Dropout是深度学习中一种极其强大且独特的正则化技术。它的思想非常巧妙：在训练过程的每一步，都随机地“丢弃”（暂时忽略）网络中的一部分神经元。

上图展示了Dropout的作用。在右侧的网络中，第二个隐藏神经元被随机“丢弃”了。这意味着在本次前向和反向传播中，所有与它相关的连接都暂时失效。

工作原理：在每个训练批次，都相当于在训练一个不同的、“变瘦”了的子网络。这强迫网络不能过度依赖于任何一个神经元的特定特征，因为这个神经元随时可能“消失”。网络必须学习到更鲁棒、更分散的特征表示。
效果：Dropout可以被看作是一种高效的模型集成 (Model Ensemble) 方法。它在训练时仿佛训练了 $2^N$ 个（N为神经元数量）共享权重的子网络，在测试时则通过一种近似的方式将这些子网络的预测平均起来，从而获得极佳的正则化效果。

驯服梯度：处理梯度消失与爆炸

在非常深的网络中（尤其是循环神经网络RNN），梯度在反向传播经过许多层后，可能会出现两个极端问题：

梯度消失 (Vanishing Gradients)：梯度值变得极其微小，接近于0。这导致靠近输入的层几乎无法接收到梯度信号，学习停滞。这在使用Sigmoid或Tanh等饱和激活函数时尤其严重。
梯度爆炸 (Exploding Gradients)：梯度值变得异常巨大，导致参数更新过猛，模型权重变得混乱，甚至出现NaN（非数值）错误，训练崩溃。

解决方案：

明智的权重初始化：如Xavier/Glorot初始化或He初始化，它们根据层的输入输出维度来设定权重的初始方差，旨在让信号（和梯度）在网络中传播时，其方差能保持稳定。
使用非饱和激活函数：ReLU (Rectified Linear Unit) 及其变种（Leaky ReLU, PReLU等）的出现是深度学习的一大突破。当输入大于0时，ReLU的导数恒为1，这极大地缓解了梯度消失问题，使得训练非常深的网络成为可能。
批量归一化 (Batch Normalization)：在每一层的激活函数之前，对该层的输出进行归一化（使其均值为0，方差为1），然后再进行缩放和平移。这强制稳定了每一层输入的分布，像是在网络的“高速公路”上设置了许多“服务区”，让数据流和梯度流都更加稳定，极大地加速了收敛并缓解了梯度问题。
梯度裁剪 (Gradient Clipping)：这是专门针对梯度爆炸的“简单粗暴”但极其有效的方法。在参数更新前，检查梯度的范数（大小）。如果梯度的范数超过了一个预设的阈值，就按比例将其缩放回阈值大小。这就像给参数更新的速度设置了一个“上限”，防止其因梯度爆炸而失控。

融会贯通：深度学习训练的“仪表盘”

今天，我们为我们的优化理论知识进行了全面的深度学习升级。我们看到，训练一个庞大的深度模型，远不止是调用optimizer.step()那么简单。它更像是在驾驶一架复杂的飞机：

SGD、Momentum、Adam 是我们的引擎和导航系统，决定了我们前进的动力和方向。Adam通常是默认的最佳选择。
学习率 (Learning Rate) 是我们的油门。我们还需要学习率调度器 (Learning Rate Scheduler) 来在飞行过程中智能地调节油门（例如，在训练后期逐渐降低学习率进行微调）。
L2正则化、Dropout 是我们的飞行稳定系统，防止飞机因速度过快或气流颠簸而偏离航道（过拟合）。
ReLU、批量归一化、梯度裁剪 则是我们的安全系统和仪表盘，时刻监控着飞机的状态（梯度流），防止引擎熄火（梯度消失）或空中解体（梯度爆炸）。

掌握这些优化器和技术，并理解它们背后的原理，是每一个AI工程师从“能用”到“会用”再到“用好”深度学习模型的必经之路。至此，我们已经深入探讨了深度学习在核心数学领域的各项升级。接下来，我们将转向一些更具体的理论，如函数逼近理论，来回答一个终极问题：神经网络为什么如此强大？它到底能做什么，不能做什么？

习题

第1题：优化器选择
在一个深度学习项目中，你发现模型的训练损失在初期下降很快，但随后就在一个较高的值附近剧烈震荡，无法进一步收敛。相比于普通的SGD，改用Adam优化器可能会带来什么改善？请解释Adam中的哪个机制主要解决了这个问题。

第2题：Dropout的作用
在神经网络进行**推理（或测试）**时，为什么通常需要关闭Dropout层，或者对其进行调整？如果继续使用训练时的Dropout行为，会对预测结果产生什么影响？

第3题：梯度问题诊断
你正在训练一个非常深的循环神经网络（RNN）用于文本生成。训练了几轮后，损失突然变成了NaN。这最可能是什么问题导致的？你会优先考虑采用哪种技术来解决这个问题？

答案

第1. 答案：

可能带来的改善：改用Adam优化器很可能会让损失的震荡减小，并帮助模型收敛到更低的值。
主要机制：Adam中主要解决这个问题的机制是自适应学习率（继承自RMSProp的部分）。损失在一个较高的值附近剧烈震荡，通常意味着优化器在某些方向上“步子迈得太大”，导致在峡谷状的地貌中来回“撞墙”。Adam通过计算梯度平方的移动平均值（ $v_t$ ），能够识别出这些梯度较大的方向，并自动地为这些方向上的参数减小有效学习率。这种对每个参数“量身定制”的步长调整，能够有效地抑制震荡，使优化过程更稳定，从而能够沿着平缓的“谷底”方向继续前进。

第2. 答案：

为什么需要关闭或调整：Dropout的核心是引入随机性来进行正则化。在推理时，我们的目标是得到一个确定的、稳定的预测结果，而不是一个随机的结果。我们希望利用整个网络学到的所有知识，而不是一个随机的子网络。
继续使用的影响：如果在推理时继续使用训练时的Dropout行为，每次对同一个输入进行预测，都会因为随机丢弃不同的神经元而得到一个不同的输出。这使得模型的预测结果变得不确定和不可复现，这是在生产环境中无法接受的。
正确的做法：在推理时，通常有两种做法，它们是等价的：1) 直接关闭Dropout层，让所有神经元都参与计算。2) 不关闭Dropout，但将每一层（应用了Dropout的层）的输出乘以 (1 - p)，其中 p 是训练时使用的丢弃概率。这个缩放操作是为了保证该层输出的期望值与训练时保持一致。现代深度学习框架会自动处理好这一点。

第3. 答案：

最可能的问题：梯度爆炸 (Exploding Gradients)。在RNN中，梯度需要通过时间步进行长距离的反向传播，很容易因为重复乘以大于1的数而导致梯度值呈指数级增长，最终超出浮点数的表示范围，变成NaN。
优先采用的技术：梯度裁剪 (Gradient Clipping)。这是解决梯度爆炸最直接、最有效的方法。通过设置一个阈值，在梯度更新前，将所有超过该阈值的梯度范数强制缩放回阈值大小，可以从根本上防止因梯度过大导致的数值不稳定和训练崩溃。

查看全文

http://www.lqws.cn/news/571069.html