本文先介紹一般的梯度下降法是如何更新引數的，然後介紹 Adam 如何更新引數，以及 Adam 如何和學習率衰減結合。
梯度下降法更新引數
梯度下降法引數更新公式：
\[
\theta_{t+1} = \theta_{t} - \eta \cdot \nabla J(\theta_t)
\]
其中，\(\eta\) 是學習率，\(\theta_t\) 是第 \(t\) 輪的引數，\(J(\theta_t)\) 是損失函式，\(\nabla J(\theta_t)\) 是梯度。
在最簡單的梯度下降法中，學習率 \(\eta\) 是常數，是一個需要實現設定好的超引數，在每輪引數更新中都不變，在一輪更新中各個引數的學習率也都一樣。
為了表示簡便，令 \(g_t = \nabla J(\theta_t)\)，所以梯度下降法可以表示為：
\[
\theta_{t+1} = \theta_{t} - \eta \cdot g_t
\]
Adam 更新引數
Adam，全稱 Adaptive Moment Estimation，是一種優化器，是梯度下降法的變種，用來更新神經網路的權重。
Adam 更新公式：
\[
\begin{aligned}
m_{t} &=\beta_{1} m_{t-1}+\left(1-\beta_{1}\right) g_{t} \\
v_{t} &=\beta_{2} v_{t-1}+\left(1-\beta_{2}\right) g_{t}^{2} \\
\hat{m}_{t} &=\frac{m_{t}}{1-\beta_{1}^{t}} \\
\hat{v}_{t} &=\frac{v_{t}}{1-\beta_{2}^{t}} \\
\theta_{t+1}&=\theta_{t}-\frac{\eta}{\sqrt{\hat{v}_{t}}+\epsilon} \hat{m}_{t}
\end{aligned}
\]
在 Adam 原論文以及一些深度學習框架中，預設值為 \(\eta = 0.001\)，\(\beta_1 = 0.9\)，\(\beta_2 = 0.999\)，\(\epsilon = 1e-8\)。其中，\(\beta_1\) 和 \(\beta_2\) 都是接近 1 的數，\(\epsilon\) 是為了防止除以 0。\(g_{t}\) 表示梯度。
咋一看很複雜，接下一一分解：
- 前兩行：
\[ \begin{aligned} m_{t} &=\beta_{1} m_{t-1}+\left(1-\beta_{1}\right) g_{t} \\ v_{t} &=\beta_{2} v_{t-1}+\left(1-\beta_{2}\right) g_{t}^{2} \end{aligned} \]
這是對梯度和梯度的平方進行滑動平均，即使得每次的更新都和歷史值相關。
中間兩行：
\[ \begin{aligned} \hat{m}_{t} &=\frac{m_{t}}{1-\beta_{1}^{t}} \\ \hat{v}_{t} &=\frac{v_{t}}{1-\beta_{2}^{t}} \end{aligned} \]
這是對初期滑動平均偏差較大的一個修正，叫做 bias correction，當 \(t\) 越來越大時，\(1-\beta_{1}^{t}\) 和 \(1-\beta_{2}^{t}\) 都趨近於 1，這時 bias correction 的任務也就完成了。最後一行：
\[ \theta_{t+1}=\theta_{t}-\frac{\eta}{\sqrt{\hat{v}_{t}}+\epsilon} \hat{m}_{t} \]
這是引數更新公式。
學習率為 \(\frac{\eta}{\sqrt{\hat{v}_{t}}+\epsilon}\)，每輪的學習率不再保持不變，在一輪中，每個引數的學習率也不一樣了，這是因為 \(\eta\) 除以了每個引數 \(\frac{1}{1- \beta_2} = 1000\) 輪梯度均方和的平方根，即 \(\sqrt{\frac{1}{1000}\sum_{k = t-999}^{t}g_k^2}\)。而每個引數的梯度都是不同的，所以每個引數的學習率即使在同一輪也就不一樣了。（可能會有疑問，\(t\) 前面沒有 999 輪更新怎麼辦，那就有多少輪就算多少輪，這個時候還有 bias correction 在。）
而引數更新的方向也不只是當前輪的梯度 \(g_t\) 了，而是當前輪和過去共 \(\frac{1}{1- \beta_1} = 10\) 輪梯度的平均。
有關滑動平均的理解，可以參考我之前的部落格：理解滑動平均(exponential moving average)。
Adam + 學習率衰減
在 StackOverflow 上有一個問題 Should we do learning rate decay for adam optimizer - Stack Overflow，我也想過這個問題，對 Adam 這些自適應學習率的方法，還應不應該進行 learning rate decay？
我簡單的做了個實驗，在 cifar-10 資料集上訓練 LeNet-5 模型，一個採用學習率衰減 tf.keras.callbacks.ReduceLROnPlateau(patience=5)，另一個不用。optimizer 為 Adam 並使用預設的引數，\(\eta = 0.001\)。結果如下：
加入學習率衰減和不加兩種情況在 test 集合上的 accuracy 分別為: 0.5617 和 0.5476。（實驗結果取了兩次的平均，實驗結果的偶然性還是有的）
通過上面的小實驗，我們可以知道，學習率衰減還是有用的。（當然，這裡的小實驗僅能代表一小部分情況，想要說明學習率衰減百分之百有效果，得有理論上的證明。）
當然，在設定超引數時就可以調低 \(\eta\) 的值，使得不用學習率衰減也可以達到很好的效果，只不過引數更新變慢了。
將學習率從預設的 0.001 改成 0.0001，epoch 增大到 120，實驗結果如下所示：
加入學習率衰減和不加兩種情況在 test 集合上的 accuracy 分別為: 0.5636 和 0.5688。（三次實驗平均，實驗結果仍具有偶然性）
這個時候，使用學習率衰減帶來的影響可能很小。
那麼問題來了，Adam 做不做學習率衰減呢？
我個人會選擇做學習率衰減。（僅供參考吧。）在初始學習率設定較大的時候，做學習率衰減比不做要好；而當初始學習率設定就比較小的時候，做學習率衰減似乎有點多餘，但從 validation set 上的效果看，做了學習率衰減還是可以有丁點提升的。
ReduceLROnPlateau 在 val_loss 正常下降的時候，對學習率是沒有影響的，只有在 patience（預設為 10）個 epoch 內，val_loss 都不下降 1e-4 或者直接上升了，這個時候降低學習率確實是可以很明顯提升模型訓練效果的，在 val_acc 曲線上看到一個快速上升的過程。對於其它型別的學習率衰減，這裡沒有過多地介紹。
Adam 衰減的學習率
從上述學習率曲線來看，Adam 做學習率衰減，是對 \(\eta\) 進行，而不是對 \(\frac{\eta}{\sqrt{\hat{v}_{t}}+\epsilon}\) 進行，但有區別嗎？
學習率衰減一般如下：
exponential_decay：
decayed_learning_rate = learning_rate * decay_rate ^ (global_step / decay_steps)natural_exp_decay：
decayed_learning_rate = learning_rate * exp(-decay_rate * global_step / decay_steps)ReduceLROnPlateau
如果被監控的值（如‘val_loss’）在 patience 個 epoch 內都沒有下降，那麼學習率衰減，乘以一個 factor
decayed_learning_rate = learning_rate * factor
這些學習率衰減都是直接在原學習率上乘以一個 factor ，對 \(\eta\) 或對 \(\frac{\eta}{\sqrt{\hat{v}_{t}}+\epsilon}\) 操作，結果都是一樣的。
References
An overview of gradient descent optimization algorithms -- Sebastian Ruder
Should we do learning rate decay for adam optimizer - Stack Overflow
Tensorflow中learning rate decay的奇技淫巧 -- Elevanth