各位老哥们大家好，双击喜欢666。今天我们来聊一聊本萌新最新学习的一些知识。让我们一起来想一下怎么样来加速我们的神经网络的训练过程。
通常我们知道，越复杂的神经网络，越多的训练数据。我们所花费在训练这些实验数据上所消费的时间也就越多。原因很简单，因为你在计算的过程中需要计算的数据量太大了。但是往往在实际的过程中，复杂的数据和海量的数据往往是不可避免的。这个时候，我们就需要找到一些方法，让神经网络变得聪明起来，变得快起来。
所以，人们找出了一个最基础的方法SGD（Stochastic Gradient Descent）
现在想想红色方块是我们所要训练的data，如果要按照以前整套的流程和写法，就需要把整套的数据一次一次的放入到神经网络中进行学习，放入到NN中进行训练。在这个过程中所消耗的资源会很大。这个时候我们需要换一种思维方式。假如现在我们先将这些数据分拆成一小批一小批的，然后再不断地分批放入NN中进行计算。这个就是我们常说的SGD的正确打开方式了。在每一次的过程中，每次使用分量数据，虽然不能反映整体的情况，但是却在很大的程度上大大加速了NN的训练过程，并且在这个过程中也不会减少NN的准确率。但是如果即便是使用了SGD，你还是觉得训练的速度太慢，那应该怎么办？
没事！满足你，经过科学家们的反复研究，事实证明，SGD并不是最快的实践方法，在下图中我们可以看到，当SGD到达实验目标的时候，它所消耗的实践是最长的一种，这跟我昨天写的文章中对于问题求解的最佳路径显然是矛盾的。与之相对的，我们还有很多的途径来加速训练。其余的大多数方法都是在更新神经网络参数的时候动手脚。
对于公式W+=-Learning rate*dx。传统参数W的更新是将原始的学习参数上累加上一个负的学习效率Learning rate乘以矫正值dx。虽然这个学习过程的道路会曲折务必，做出来的折线图也像是一个喝醉了的大汉摇摇晃晃走出的路一样。走了很多弯路，所以我们将这个人从平地上放到一个下坡上，只要这个人往下坡上走一点点，他就会不自觉地往下走，走的弯路也就相应的变少。这也就是所谓的Momentum的更新方法。他们的数学形式也就是m=b1*m-Learning rate*dx W+=m
另外一种学习方法也就是AdaGrad方法，这一种方法其实是在学习率上动动手脚，最后使得每一个参数的更新都会有与众不同的效应。这个方法其实和Momentum有一点类似，不过这个方法不是给一个喝醉的大汉安排一个下坡，而是给他一双较小的鞋子，这样他走路的时候就会发现自己的脚疼，这样就会变成一个走弯路的阻力，就会逼着他直着走。
那么这个时候你可能会像，如果把下坡和不好走的鞋子结合起来会不会有更好的效果呢？
没错，你的想法是对的。这样的情况下，我们就有了RMSProp的方法。因为有了Momentum对于错误方向的轨迹，加上AdaGrad对于错误方向上的阻力，这样就让RMSProp有了他们两种同时的优势。现在的数学公式如下
V =b1*v +(1-b1)*dx^2
W+= -Learning rate*dx/v
不过这个时候有细心地同学一定可以发现RMSProp并不是AdaGrad和Momentu两组公式的相加，其实缺少了Momentu中的-Learning rate*dx中的这一个部分，所以我们就引出了这个算法Adam,并且在Adam中引出这个公式：
Momentu：m =b1*m+(1-b1)*dx
AdaGrad:V =b1*v +(1-b1)*dx^2
W+= -Learning rate*dx/v
经过试验证明，在大多数情况下使用Adam可以迅速的达到收敛的目标，又快又好的完成任务。在神经网络训练过程中，Adam算法可以说功不可没。
这些就是这一篇文章所想要解释的一些内容，但是因为时间仓促，一定要很多的纰漏，也希望大家可以多多提出意见，以此来促进我们的共同提升！
mm��� ��$
