文章来自：微信公众号【机器学习炼丹术】

最罕用的Adam优化器，有着收敛速度快、调参容易等长处，然而也存在常常被人吐槽的泛化性问题和收敛问题。

因而，在很多大佬的代码中，仍然会应用传统的SGD+momentum的优化器。

对于两个优化器的比拟，仁者见仁智者见智，能够看一下这篇文章，有简略的对于这两个优化器的代码实现和成果比拟：
Pytorch的SGD,SGDM,Adam,RAdam的代码实现

这篇文章就轻易的谈一谈上面的问题，来让大家扩大一下常识：

Adam是什么

对机器学习有理解的敌人，应该对Adam优化器不生疏了。大体来说就是Momentum + Adagrad + RMSProp的联合。

【如果需要的话，之后能够简略易懂的艰深讲讲各种类型的优化器的算法】

从Adam和SGDM中就能够得悉，Momentum是一个很好的设计。

Adam的两个吐槽

在探讨模型泛化问题的时候，咱们会心愿模型找到的极小值（收敛地位），是一个比拟平缓、不平缓的地位！，起因看下图：
![](http://helloworld2020.net/wp-...

右边的那个收敛点是一个比拟平缓的点，而左边的是一个十分平缓十分sharp的收敛点。而训练集和测试集尽管要求同散布，然而其实还是会有渺小的差异。

对于平缓的收敛点，训练集的损失可能会很小，然而测试集的损失很可能就很大。而平坦的收敛点就不会这样。这就是泛化问题，有的时候也被看成过拟合景象。

然而咱们是也无奈直接证明Adam总是找到sharp的极小值。不过很多很论或多或少都只指出了Adam在测试的时候error会较大。

这里有一张图，能够看到，尽管Adam在训练集中收敛速度最快，然而测试集的成果并不是十分的好。

Adam在某些状况下会呈现无奈收敛的状况，最驰名的对于这个问题的Adam的吐槽就是这个论文：
2018 ICLR的best paper：On the Convergence of Adam and Beyond

然而这个问题其实并不是咱们这种人常常会遇到的，反而泛化问题是一个真正的困扰。

大佬们常常用的一个learning rate scheduling计划就是warn-up+decay。

【warn-up】

是指不要一开始用高的learning-rate,应该要从低的缓缓增大到base-learning rate。学习率从小到大。

【decay】

随着optimization的步数的增长，逐步升高learning rate。

Decay的局部其实很常见，所有的人都会用，然而warn-up其实就有点诡异了，在ResNet的论文中其实能够看到这个。

Radam 是在warm up的时候提出了一些无效的策略。