局部极小值与鞍点

在优化过程中，模型可能会遇到局部极小值(local minima)或鞍点(saddle point)，这些位置梯度为零，使得模型停止进步或训练缓慢。

局部极小值是损失函数的局部最低点，而鞍点则是梯度为零但不是局部极小/极大值的点。极小值点已经无法进一步下降损失了，但是鞍点仍有部分维度可以继续下降。

判断一个点是局部极小值还是鞍点需要分析损失函数的海森矩阵（二阶导数矩阵）的特征值。若海森矩阵的所有特征值都为正，则该点为局部极小值；若有正有负，则为鞍点。

形象一点的说法就是可以通过海森矩阵得到这个函数图像的地貌，显而易见下面两种点虽然在各个维度上梯度都为0，但地貌明显不一样。鞍点很明显在两个正交的方向上，一个向上U，一个向下U。而极值点的四周，U均朝上或朝下

分析海森矩阵可以找到负特征值对应的特征向量，沿着这个方向更新参数可以逃离鞍点。但计算量较大，几乎不使用。

实际上，对于深层次的神经网络，几乎不存在完全的局部极小值点，由于参数量非常大(训练的维度多)，可能有几个维度到达它的极小值，但其他维度未达到，仍然可以获得有效梯度并继续降低损失(即鞍点)。如果真的训练缓慢时，往往只是遇到了鞍点。所以逃离鞍点就是接下来的优化手段。

批量梯度下降

在实际训练时，会将训练集分为多个batch，如将1000个样本分为8个batch(批)，每次拿1个batch即125个样本进行训练。将所有batch(当前为8个)全部训练完一次，就是一个epoch(回合)，而且每个epoch都会打乱batch顺序。这种方式既可以减少内存每次读入的数据量，也可以利用到并行计算。

如果batch_size=整个训练集，即每次直接用所有样本进行训练，称为批量梯度下降（BGD, Batch Gradient Descent）

如果batch_size=1，即每次拿一个样本训练，称为随机梯度下降法（SGD, Stochastic Gradient Descent)

当然还有折中策略，1<batch_size<整个训练集大小，小批量梯度下降(Mini-Batch Gradient Descent, MBGD)

下图为前两者的对比

红线为批量梯度下降，是较为合理的直线

紫红线为随机梯度下降，总的来看，参数朝着全局最小的方向移动，偶尔也有例外。

对比：

一次看20条数据，和一次只看一条数据，后者带来的波动明显会更大(带有更多噪声)。就像看远方走路和只看脚底走路，只看脚底走路比较容易走歪。在非凸优化问题中，其相比批量梯度下降(前者)更容易逃离局部最小值(可能乱走就正好走出局部最小点了)。但相对的，前者在准确率上会更好、方向更稳定。虽然批量梯度下降要看全部样本，但是他可以利用并行计算，即同时处理多条数据(参考tensor和ndarray进行矩阵运算等)。而每次只看一个样本，其实就是串行运算。所以大batch_size花费的时间不一定比batch_size小的运算更耗时(虽然batch_size非常大时还是明显更耗时)，甚至有时更省时。总结一下：大的batch_size能使损失下降的更平缓、更准确，借助并行计算训练反而更快，但在优化上容易出现问题或有过拟合现象。小的batch_size通过引入更多噪音，更能让模型跳出局部最小点，且泛化能力更强，模型效果可能更好。

动量梯度下降

相比较传统的梯度下降，每次计算模型参数的变化值时，除了计算梯度，还使用了上一次的动量，两者之向量和(这里为了表达方便忽略了他们各自的学习率超参数)就是本次的动量(也是动量梯度下降中的模型参数变化值)。

公式虽然只用了上一次下降时的动量，但由于是向量，实际上是用到了历史所有动量的累积影响。

因为动量的累积影响构成的向量和本次梯度的方向可能不一致，当两者夹角小时，动量起到的就是加速的作用，可以越过局部最小点，并加快训练。而两者夹角较大时，则能减少下降幅度(甚至从已经越过的最小值点再折回来)，加速收敛。当然，动量也会减少梯度的变化幅度，让乱动的梯度向量与历史动量方向相结合，使变化更稳定平缓。

动量就像是滑雪。如果你滑到平缓的斜坡上（鞍点或局部极小值），没有足够的动量（过去的梯度方向）你就可能停在那里。通过积累动量，你可以滑过这些平坦区域，继续向前。