目前訓(xùn)練神經(jīng)網(wǎng)絡(luò)最快的方式一種新型AdamW算法

最優(yōu)化方法一直是機(jī)器學(xué)習(xí)中非常重要的部分，也是學(xué)習(xí)過(guò)程的核心算法。而 Adam 自 14 年提出以來(lái)就受到廣泛關(guān)注，目前該論文的引用量已經(jīng)達(dá)到了 10047。不過(guò)自去年以來(lái)，很多研究者發(fā)現(xiàn) Adam 優(yōu)化算法的收斂性得不到保證，ICLR 2017 的最佳論文也重點(diǎn)關(guān)注它的收斂性。在本文中，作者發(fā)現(xiàn)大多數(shù)深度學(xué)習(xí)庫(kù)的 Adam 實(shí)現(xiàn)都有一些問(wèn)題，并在 fastai 庫(kù)中實(shí)現(xiàn)了一種新型 AdamW 算法。根據(jù)一些實(shí)驗(yàn)，作者表示該算法是目前訓(xùn)練神經(jīng)網(wǎng)絡(luò)最快的方式。

Adam 過(guò)山車(chē)

Adam 優(yōu)化器之旅可以說(shuō)是過(guò)山車(chē)（roller-coaster）式的。該優(yōu)化器于 2014 年推出，本質(zhì)上是一個(gè)出于直覺(jué)的簡(jiǎn)單想法：既然我們明確地知道某些參數(shù)需要移動(dòng)得更快、更遠(yuǎn)，那么為什么每個(gè)參數(shù)還要遵循相同的學(xué)習(xí)率？因?yàn)樽罱荻鹊钠椒礁嬖V我們每一個(gè)權(quán)重可以得到多少信號(hào)，所以我們可以除以這個(gè)，以確保即使是最遲鈍的權(quán)重也有機(jī)會(huì)發(fā)光。Adam 接受了這個(gè)想法，在過(guò)程中加入了標(biāo)準(zhǔn)方法，就這樣產(chǎn)生了 Adam 優(yōu)化器（稍加調(diào)整以避免早期批次出現(xiàn)偏差）！

首次發(fā)表之時(shí)，深度學(xué)習(xí)社區(qū)都為來(lái)自原論文的一些圖表（如下圖）興奮不已：

Adam 和其他優(yōu)化器的對(duì)比

訓(xùn)練速度提高 200%！「總體來(lái)看，我們發(fā)現(xiàn) Adam 非常魯棒，而且廣泛適用于機(jī)器學(xué)習(xí)領(lǐng)域的各種非凸優(yōu)化問(wèn)題」論文結(jié)尾這樣寫(xiě)道。那是三年前，深度學(xué)習(xí)的黃金時(shí)期。然而，事情并沒(méi)有按照我們期望的方向發(fā)展。使用 Adam 訓(xùn)練模型的研究文章少之又少，新的研究開(kāi)始明顯地抑制了它的應(yīng)用，并在幾個(gè)實(shí)驗(yàn)中表明，SGD+momentum可能比復(fù)雜的 Adam 表現(xiàn)更好。2018 fast.ai 課程開(kāi)課之際，可憐的 Adam 被從早期課程中刪除。

但是到了 2017 年末，Adam 似乎又重獲新生。Ilya Loshchilov 和 Frank Hutter 在他們的論文《Fixing Weight Decay Regularization in Adam》中指出，每個(gè)庫(kù)在 Adam 上實(shí)施的權(quán)重衰減似乎都是錯(cuò)誤的，并提出了一種簡(jiǎn)單的方法（他們稱(chēng)之為 AdamW）來(lái)修復(fù)它。盡管結(jié)果略有不同，但他們確實(shí)給出了一些類(lèi)似下圖的令人鼓舞的圖表：

Adam 和 AdamW 對(duì)比

我們希望人們恢復(fù)對(duì) Adam 的熱情，因?yàn)樵搩?yōu)化器的一些早期結(jié)果似乎可以復(fù)現(xiàn)。但事與愿違。實(shí)際上，應(yīng)用它的唯一一個(gè)深度學(xué)習(xí)框架就是使用 Sylvain 編碼的 fastai。由于缺乏可用的廣泛框架，日常實(shí)踐者就只能固守又舊又不好用的 Adam。

但這不是唯一的問(wèn)題。前面還有很多阻礙。兩篇論文指出了 Adam 在收斂性證明方面的明顯問(wèn)題，盡管其中一篇提出了名為 AMSGrad 的修正（并在享有盛譽(yù)的 ICLR 大會(huì)上贏得了「最佳論文」獎(jiǎng)）。但是，如果說(shuō)我們從這種最戲劇化的生活（至少按照優(yōu)化器的標(biāo)準(zhǔn)來(lái)說(shuō)是戲劇化的）簡(jiǎn)史中學(xué)到了什么，那就是，沒(méi)有什么是它表面看起來(lái)的樣子。的確，博士生 Jeremy Bernstein 指出，所謂的收斂問(wèn)題其實(shí)只是選擇不當(dāng)?shù)某瑓?shù)的跡象，也許 AMSGrad 也解決不了問(wèn)題。另一名博士生 Filip Korzeniowski 展示了一些早期成果，似乎支持了 AMSGrad 這種令人沮喪的觀點(diǎn)。

啟動(dòng)過(guò)山車(chē)

那么我們這些只希望快速訓(xùn)練精確模型的人該做些什么呢？我們選擇用數(shù)百年來(lái)解決科學(xué)辯論的方式——科學(xué)實(shí)驗(yàn)——來(lái)解決這一爭(zhēng)議！稍后將呈現(xiàn)所有細(xì)節(jié)，但首先讓我們來(lái)看一下大致結(jié)果：

適當(dāng)調(diào)參之后，Adam 真的可以用！我們?cè)谝韵聨讉€(gè)任務(wù)中得到了訓(xùn)練時(shí)間方面的最新結(jié)果：

在含有測(cè)試時(shí)間增加的僅僅 18 個(gè) epoch 或 30 個(gè) epoch 上訓(xùn)練 CIFAR10，直到其準(zhǔn)確率超過(guò) 94%，如 DAWNBench 競(jìng)賽；

對(duì) Resnet50 進(jìn)行調(diào)參，直至其在斯坦福汽車(chē)數(shù)據(jù)集上的準(zhǔn)確率達(dá)到 90%，只需訓(xùn)練 60 個(gè) epoch（之前達(dá)到相同的準(zhǔn)確率需要 600 個(gè) epoch）；

從零開(kāi)始訓(xùn)練一個(gè) AWD LSTM or QRNN，歷經(jīng) 90 個(gè) epoch（或在一個(gè) GPU 上訓(xùn)練 1 個(gè)半小時(shí)），其困惑度在 Wikitext-2 上達(dá)到當(dāng)前最優(yōu)水平（之前的 LSTM 需要 750 個(gè) epoch，QRNN 需要 500 個(gè) epoch）。

這意味著我們已經(jīng)看到使用 Adam 的超收斂！超收斂是訓(xùn)練學(xué)習(xí)率高的神經(jīng)網(wǎng)絡(luò)時(shí)出現(xiàn)的一種現(xiàn)象，它表示節(jié)省了一半訓(xùn)練過(guò)程。在 AdamW 之前，訓(xùn)練 CIFAR10 至 94 % 的準(zhǔn)確率需要大約 100 個(gè) epoch。

與之前的工作相比，我們發(fā)現(xiàn)只要調(diào)整得當(dāng)，Adam 在我們嘗試過(guò)的每一個(gè) CNN 圖像問(wèn)題上都可以獲得與 SGD+Momentum 一樣好的準(zhǔn)確率，而且?guī)缀蹩偸强煲稽c(diǎn)。

關(guān)于 AMSGrad 是一個(gè)糟糕的「解決方案」的建議是正確的。我們一直發(fā)現(xiàn)，AMSGrad 在準(zhǔn)確率（或其他相關(guān)指標(biāo)）上沒(méi)有獲得比普通 Adam / AdamW 更高的增益。

當(dāng)你聽(tīng)到人們說(shuō) Adam 的泛化性能不如 SGD+Momentum 時(shí)，你基本上總會(huì)發(fā)現(xiàn)他們?yōu)樽约旱哪Ｐ退x擇的超參數(shù)不咋地。通常 Adam 需要的正則化比 SGD 多，因此在從 SGD 轉(zhuǎn)向 Adam 時(shí)，確保調(diào)整正則化超參數(shù)。

文章結(jié)構(gòu)：

1. AdamW

理解 AdamW

實(shí)現(xiàn) AdamW

AdamW 實(shí)驗(yàn)和 AdamW-ish

2. AMSGrad

理解 AMSGrad

實(shí)現(xiàn) AMSGrad

AMSGrad 實(shí)驗(yàn)的結(jié)果

3. 完整結(jié)果圖表

AdamW

理解 AdanW：權(quán)重衰減與 L2 正則化

L2 正則化是減少過(guò)擬合的經(jīng)典方法，它會(huì)向損失函數(shù)添加由模型所有權(quán)重的平方和組成的懲罰項(xiàng)，并乘上特定的超參數(shù)以控制懲罰力度。以下本文所有的方程式都是用 Python、NumPy 和 PyTorch 風(fēng)格的表達(dá)方式：

final_loss=loss+wd*all_weights.pow(2).sum()/2

其中 wd 為我們?cè)O(shè)置的超參數(shù)，用以控制懲罰力度。這也可以稱(chēng)為權(quán)重衰減，因?yàn)槊恳淮芜\(yùn)用原版 SGD 時(shí)，它都等價(jià)于使用如下方程式更新權(quán)重：

w=w-lr*w.grad-lr*wd*w

其中 lr 表示學(xué)習(xí)率、w.grad 表示損失函數(shù)對(duì) w 的導(dǎo)數(shù)，而后面的 wd * w 則表示懲罰項(xiàng)對(duì) w 的求導(dǎo)結(jié)果。在這個(gè)等式中，我們會(huì)看到每一次更新都會(huì)減去一小部分權(quán)重，這也就是「衰減」的來(lái)源。

fast.ai 查看過(guò)的所有庫(kù)都使用第一種形式。在實(shí)踐中，幾乎都是通過(guò)向梯度 wd*w 而實(shí)現(xiàn)算法，而不是真正地改變損失函數(shù)。因?yàn)槲覀儾⒉幌Ｍ黾宇~外的計(jì)算量來(lái)修正損失，尤其是還有其它簡(jiǎn)單方法的時(shí)候。

既然它們是同一種表達(dá)，那么我們?yōu)槭裁葱枰獏^(qū)分這兩種概念呢？原因在于它們只對(duì)于原版 SGD 是等價(jià)的，而當(dāng)我們添加動(dòng)量或使用如 Adam 那樣復(fù)雜的最優(yōu)化方法，L2 正則化（第一個(gè)方程）和權(quán)重衰減（第二個(gè)方程）就會(huì)存在很大的不同。在本文其余的部分中，我們討論權(quán)重衰減指的都是第二個(gè)方程式，而討論 L2 正則化都是討論第一個(gè)經(jīng)典方式。

如下在帶動(dòng)量的 SGD 中，L2 正則化與權(quán)重衰減是不等價(jià)的。L2 正則化會(huì)將 wd*w 添加到梯度中，但現(xiàn)在權(quán)重并不是直接減去梯度。首先我們需要計(jì)算移動(dòng)均值：

moving_avg=alpha*moving_avg+(1-alpha)*(w.grad+wd*w)

然后權(quán)重才能通過(guò)減去乘上了學(xué)習(xí)率的移動(dòng)均值而得到更新。所以 w 更新中涉及到的正則化為 lr* (1-alpha)*wd * w 加上已經(jīng)在 moving_avg 中前面權(quán)重的組合。

因此，權(quán)重衰減的更新方式可以表示為：

moving_avg=alpha*moving_avg+(1-alpha)*w.gradw=w-lr*moving_avg-lr*wd*w

我們可以觀察到，從 w 中減去有關(guān)正則化的部分在兩種方法中是不同的。當(dāng)我們使用 Adam 優(yōu)化器時(shí)，權(quán)重衰減的部分可能相差更大。因?yàn)?Adam 中的 L2 正則化需要添加 wd*w 到梯度中，并分別計(jì)算梯度及其平方的移動(dòng)均值，然后再能更新權(quán)重。然而權(quán)重衰減方法只是簡(jiǎn)單地更新權(quán)重，并每次從權(quán)重中減去一點(diǎn)。

顯然這是兩種不同的方法，在進(jìn)行了實(shí)驗(yàn)后，Ilya Loshchilov 和 Frank Hutter 建議我們應(yīng)該在 Adam 算法中使用權(quán)重衰減方法，而不是像經(jīng)典深度學(xué)習(xí)庫(kù)中實(shí)現(xiàn)的 L2 正則化。

實(shí)現(xiàn) AdamW

那么我們要如何才能實(shí)現(xiàn) AdamW 算法呢？如果你們?cè)谑褂?fastai 的庫(kù)，那么在使用 fit 函數(shù)時(shí)添加參數(shù) use_wd_sched=True 就能簡(jiǎn)單地實(shí)現(xiàn)：

learn.fit(lr,1,wds=1e-4,use_wd_sched=True)

如果你更喜歡新的訓(xùn)練 API，你就能在每一個(gè)訓(xùn)練階段中使用參數(shù) wd_loss=False：

phases=[TrainingPhase(1,optim.Adam,lr,wds=1-e4,wd_loss=False)]learn.fit_opt_sched(phases)

以下簡(jiǎn)要地概述了 fastai 是如何實(shí)現(xiàn) AdamW 的。在優(yōu)化器中的階梯函數(shù)，我們只需要使用梯度修正參數(shù)，根本不使用參數(shù)本身的值（除了權(quán)重衰減，我們將在外部處理它）。然后我們可以在最優(yōu)化器之前通簡(jiǎn)單的實(shí)現(xiàn)權(quán)重衰減，但這仍需要在計(jì)算梯度后才能完成，否則它就會(huì)影響梯度的值。所以在訓(xùn)練循環(huán)中，我們必須確定計(jì)算權(quán)重衰減的位置。

loss.backward()#Dotheweightdecayhere!optimizer.step()

當(dāng)然，最優(yōu)化器應(yīng)該設(shè)定 wd=0，否則它還會(huì)做一些 L2 正則化，這也是我們不希望看到的?，F(xiàn)在在權(quán)重衰減的位置中，我們可以在所有參數(shù)上寫(xiě)一個(gè)循環(huán)語(yǔ)句，并依次采用權(quán)重衰減的更新。而我們的參數(shù)應(yīng)該存儲(chǔ)在優(yōu)化器的字典 param_groups 中，所以這個(gè)循環(huán)應(yīng)該表示為如下語(yǔ)句：

loss.backward()forgroupinoptimizer.param_groups():forparamingroup['params']:param.data=param.data.add(-wd*group['lr'],param.data)optimizer.step()

AdamW 實(shí)驗(yàn)的結(jié)果：它真的能行嗎?

我們首先在計(jì)算機(jī)視覺(jué)問(wèn)題上進(jìn)行測(cè)試，效果非常好。具體來(lái)說(shuō)，Adam 和 L2 正則化在 30 個(gè) epoch 中獲得的平均準(zhǔn)確率為 93.96%，在兩次中有一次超過(guò) 94%。我們選擇 30 個(gè) epoch 是因?yàn)橥ㄟ^(guò) 1cycle 策略和 SGD 可以獲得 94% 準(zhǔn)確率。當(dāng)我們使用 Adam 與權(quán)重衰減方法，我們持續(xù)獲得 94% 到 94.25% 的準(zhǔn)確率。為此，我們發(fā)現(xiàn)使用 1cycle 策略時(shí)的最優(yōu) beta2 值為 0.99。我們將 beta1 參數(shù)視為 SGD 中的動(dòng)量，這也就意味著它學(xué)習(xí)率的增長(zhǎng)由 0.95 降低到 0.85，然后隨學(xué)習(xí)率的降低而又增加到 0.95。

L2 正則化或權(quán)重衰減準(zhǔn)確率

更令人印象深刻的是，使用測(cè)試時(shí)間增加（即在測(cè)試集的一個(gè)圖像和它四個(gè)增加數(shù)據(jù)的版本上取預(yù)測(cè)的平均值），我們可以在僅僅 18 個(gè) epoch 內(nèi)達(dá)到 94 % 的準(zhǔn)確率（平均 93.98 %）！通過(guò)簡(jiǎn)單的 Adam 和 L2 正則化，每嘗試 20 次就會(huì)出現(xiàn)一次超過(guò) 94 % 的情況。

在這些比較中需要考慮的一點(diǎn)是，改變正則化方式會(huì)改變權(quán)重衰減或?qū)W習(xí)率的最佳值。在我們進(jìn)行的測(cè)試中，L2 正則化的最佳學(xué)習(xí)率為 1e-6（最大學(xué)習(xí)率為 1e-3），而權(quán)重衰減的最佳值為 0.3（學(xué)習(xí)率為 3e-3）。在我們的所有測(cè)試中，數(shù)量級(jí)的差異都是非常一致的，主要是因?yàn)?L2 正則化被梯度的平均范數(shù)（相當(dāng)?shù)停┯行У貏澐郑⑶?Adam 的學(xué)習(xí)率相當(dāng)?。ㄋ詸?quán)重衰減的更新需要更強(qiáng)的系數(shù)）。

那么，權(quán)重衰減總是比 Adam 的 L2 正則化更好？我們還沒(méi)有發(fā)現(xiàn)明顯更糟的情況，但無(wú)論是遷移學(xué)習(xí)問(wèn)題（例如斯坦福汽車(chē)數(shù)據(jù)集上 Resnet50 的微調(diào)）還是 RNNs，它都沒(méi)有給出更好的結(jié)果。

AMSGrad

理解 AMSGrad

AMSGrad 是由 Sashank J. Reddi、Satyen Kale 和 Sanjiv Kumar 在近期的一篇文章中介紹的。通過(guò)分析 Adam 優(yōu)化器收斂的證明，他們?cè)诟乱?guī)則中發(fā)現(xiàn)了一個(gè)錯(cuò)誤，該錯(cuò)誤可能導(dǎo)致算法收斂到次優(yōu)點(diǎn)。他們?cè)O(shè)計(jì)了理論實(shí)驗(yàn)，展示 Adam 失敗的情形，并提出了一個(gè)簡(jiǎn)單的解決方案。機(jī)器之心也曾從適應(yīng)性學(xué)習(xí)率算法出發(fā)分析過(guò)這一篇最佳論文：Beyond Adam。

為了更好地理解錯(cuò)誤和解決方案，讓我們來(lái)看一下 Adam 的更新規(guī)則：

avg_grads=beta1*avg_grads+(1-beta1)*w.gradavg_squared=beta2*(avg_squared)+(1-beta2)*(w.grad**2)w=w-lr*avg_grads/sqrt(avg_squared)

我們剛剛跳過(guò)了偏差校正（對(duì)訓(xùn)練的開(kāi)始很有用），把重心放在了主要點(diǎn)上。作者發(fā)現(xiàn) Adam 收斂證明中的錯(cuò)誤之處在于：

lr/sqrt(avg_squared)

這是我們朝著平均梯度方向邁出的一步，在訓(xùn)練中逐漸減少。由于學(xué)習(xí)率常常是恒定或遞減的，作者提出的解決方案是通過(guò)添加另一個(gè)變量來(lái)跟蹤它們的最大值，從而迫使 avg _ square 量增加。

實(shí)現(xiàn) AMSGrad

相關(guān)文章在 ICLR 2018 中獲得了一項(xiàng)大獎(jiǎng)并廣受歡迎，而且它已經(jīng)在兩個(gè)主要的深度學(xué)習(xí)庫(kù)——PyTorch 和 Keras 中實(shí)現(xiàn)。所以，我們只需傳入?yún)?shù) amsgrad = True 即可。

avg_grads=beta1*avg_grads+(1-beta1)*w.gradavg_squared=beta2*(avg_squared)+(1-beta2)*(w.grad**2)max_squared=max(avg_squared,max_squared)w=w-lr*avg_grads/sqrt(max_squared)

AMSGrad 實(shí)驗(yàn)結(jié)果：大量噪音都是沒(méi)用的

AMSGrad 的結(jié)果令人非常失望。在所有實(shí)驗(yàn)中，我們都發(fā)現(xiàn)它沒(méi)有絲毫幫助。即使 AMSGrad 發(fā)現(xiàn)的最小值有時(shí)比 Adam 達(dá)到的最小值稍低（在損失方面），其度量（準(zhǔn)確率、f_1 分?jǐn)?shù)…）最終總是更糟（詳見(jiàn)引言中的表格）。

Adam 優(yōu)化器在深度學(xué)習(xí)中收斂的證明（因?yàn)樗槍?duì)凸問(wèn)題）和他們?cè)谄渲邪l(fā)現(xiàn)的錯(cuò)誤對(duì)于與現(xiàn)實(shí)問(wèn)題無(wú)關(guān)的合成實(shí)驗(yàn)很重要。實(shí)際測(cè)試表明，當(dāng)這些 avg _ square 梯度想要減小時(shí)，這么做能得到最好的結(jié)果。

這表明，即使把重點(diǎn)放在理論上有助于獲得一些新想法，也沒(méi)有什么可以取代實(shí)驗(yàn)（而且很多實(shí)驗(yàn)?。┮源_保這些想法實(shí)際上有助于從業(yè)人員訓(xùn)練更好的模型。

附錄：所有結(jié)果

從零開(kāi)始訓(xùn)練 CIFAR10（模型是 Wide-ResNet-22，以下為五個(gè)模型的平均結(jié)果）：

使用 fastai 庫(kù)引入的標(biāo)準(zhǔn)頭對(duì)斯坦福汽車(chē)數(shù)據(jù)集上的 Resnet 50 進(jìn)行微調(diào)（解凍前對(duì)頭訓(xùn)練 20 個(gè) epoch，并用不同的學(xué)習(xí)率訓(xùn)練 40 個(gè) epoch）：

使用來(lái)自 GitHub（https://github.com/salesforce/awd-lstm-lm）的超參數(shù)訓(xùn)練 AWD LSTM（結(jié)果顯示在有或沒(méi)有緩存指針（cache pointer）情況下驗(yàn)證/測(cè)試集的困惑度）：

使用來(lái)自 GitHub repo 的超參數(shù)訓(xùn)練 QRNN（結(jié)果顯示在有或沒(méi)有緩存指針情況下驗(yàn)證/測(cè)試集的困惑度）：

針對(duì)這一具體任務(wù)，我們采用了 1cycle 策略的修改版本，加快了學(xué)習(xí)速度，之后長(zhǎng)時(shí)間保持較高的恒定學(xué)習(xí)速度，然后再往下降。

Adam 和其它優(yōu)化器之間的對(duì)比