RMSprop

知道了動量（Momentum）可以加快梯度下降，還有一個叫做RMSprop的算法，全稱是root mean square prop算法，它也可以加速梯度下降，來看看它是如何運作的。

回憶一下之前的例子，如果執行梯度下降，雖然橫軸方向正在推進，但縱軸方向會有大幅度擺動，為了分析這個例子，假設縱軸代表參數\(b\)，橫軸代表參數\(W\)，可能有\(W_{1}\)，\(W_{2}\)或者其它重要的參數，為了便于理解，被稱為\(b\)和\(W\)。

所以，想減緩\(b\)方向的學習，即縱軸方向，同時加快，至少不是減緩橫軸方向的學習，RMSprop算法可以實現這一點。

在第\(t\)次迭代中，該算法會照常計算當下mini-batch的微分\(dW\)，\(db\)，所以會保留這個指數加權平均數，用到新符號\(S_{dW}\)，而不是\(v_{dW}\)，因此\(S_{dW}= \beta S_{dW} + (1 -\beta) {dW}^{2}\)，澄清一下，這個平方的操作是針對這一整個符號的，這樣做能夠保留微分平方的加權平均數，同樣\(S_{db}= \beta S_{db} + (1 - \beta){db}^{2}\)，再說一次，平方是針對整個符號的操作。

接著RMSprop會這樣更新參數值，\(W:= W -a\frac{dW}{\sqrt{S_{dW}}}\)，\(b:=b -\alpha\frac{db}{\sqrt{S_{db}}}\)，來理解一下其原理。記得在橫軸方向或者在例子中的\(W\)方向，希望學習速度快，而在垂直方向，也就是例子中的\(b\)方向，希望減緩縱軸上的擺動，所以有了\(S_{dW}\)和\(S_{db}\)，希望\(S_{dW}\)會相對較小，所以要除以一個較小的數，而希望\(S_{db}\)又較大，所以這里要除以較大的數字，這樣就可以減緩縱軸上的變化?？催@些微分，垂直方向的要比水平方向的大得多，所以斜率在\(b\)方向特別大，所以這些微分中，\(db\)較大，\(dW\)較小，因為函數的傾斜程度，在縱軸上，也就是b方向上要大于在橫軸上，也就是\(W\)方向上。\(db\)的平方較大，所以\(S_{db}\)也會較大，而相比之下，\(dW\)會小一些，亦或\(dW\)平方會小一些，因此\(S_{dW}\)會小一些，結果就是縱軸上的更新要被一個較大的數相除，就能消除擺動，而水平方向的更新則被較小的數相除。

RMSprop的影響就是的更新最后會變成這樣（綠色線），縱軸方向上擺動較小，而橫軸方向繼續推進。還有個影響就是，可以用一個更大學習率\(a\)，然后加快學習，而無須在縱軸上垂直方向偏離。

要說明一點，一直把縱軸和橫軸方向分別稱為\(b\)和\(W\)，只是為了方便展示而已。實際中，會處于參數的高維度空間，所以需要消除擺動的垂直維度，需要消除擺動，實際上是參數\(W_1\)，\(W_2\)等的合集，水平維度可能\(W_3\)，\(W_4\)等等，因此把\(W\)和\(b\)分開只是方便說明。實際中\(dW\)是一個高維度的參數向量，\(db\)也是一個高維度參數向量，但是的直覺是，在要消除擺動的維度中，最終要計算一個更大的和值，這個平方和微分的加權平均值，所以最后去掉了那些有擺動的方向。所以這就是RMSprop，全稱是均方根，因為將微分進行平方，然后最后使用平方根。

最后再就這個算法說一些細節的東西，然后再繼續。接下來，會將RMSprop和Momentum結合起來，在Momentum中采用超參數\(\beta\)，為了避免混淆，現在不用\(\beta\)，而采用超參數\(\beta_{2}\)以保證在Momentum和RMSprop中采用同一超參數。要確保的算法不會除以0，如果\(S_{dW}\)的平方根趨近于0怎么辦？得到的答案就非常大，為了確保數值穩定，在實際操練的時候，要在分母上加上一個很小很小的\(\varepsilon\)，\(\varepsilon\)是多少沒關系，\(10^{-8}\)是個不錯的選擇，這只是保證數值能穩定一些，無論什么原因，都不會除以一個很小很小的數。所以RMSprop跟Momentum有很相似的一點，可以消除梯度下降中的擺動，包括mini-batch梯度下降，并允許使用一個更大的學習率\(a\)，從而加快的算法學習速度。

所以學會了如何運用RMSprop，這是給學習算法加速的另一方法。關于RMSprop的一個有趣的事是，它首次提出并不是在學術研究論文中，而是在多年前Jeff Hinton在Coursera的課程上。想Coursera并不是故意打算成為一個傳播新興的學術研究的平臺，但是卻達到了意想不到的效果。就是從Coursera課程開始，RMSprop開始被人們廣為熟知，并且發展迅猛。

講過了Momentum，講了RMSprop，如果二者結合起來，會得到一個更好的優化算法

總結

以上是生活随笔為你收集整理的神经网络优化篇：详解RMSprop的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。