• 🍨 本文为🔗365天深度学习训练营?中的学习记录博客
• 🍦? 参考文章：365天深度学习训练营-第11周：优化器对比实验（训练营内部成员可读）
• 🍖 原作者：K同学啊|接辅导、项目定制

目录

代码及运行结果

1.设置GPU

2.导入数据

?编辑

3.构建模型

?编辑4.训练模型

5.评估模型

?个人总结：

1.Adam优化器：

2.SGD优化器：

3.总结：

---

?

Adam优化器：

?

?SGD优化器：

?

?

Adam优化器（Adaptive Moment Estimation）和随机梯度下降（SGD）是两种用于训练神经网络的常见优化算法，它们各自具有一些优点和缺点。

优点：

1. 自适应学习率： Adam根据每个参数的历史梯度信息来自动调整学习率。这有助于在训练初期更快地收敛，同时在接近最优解时减小学习率，以更稳定地收敛到最小值。

2. 动量项： Adam引入了动量项，使得在参数更新中考虑了先前梯度的平均。这有助于克服SGD中的梯度噪声，特别是在存在大量噪声的数据中。

3. 适用于不同问题： Adam通常对各种深度学习问题表现良好，且无需太多超参数调整。

缺点：

1. 内存消耗： Adam需要存储每个参数的历史梯度信息，这可能导致内存消耗较大。

2. 不稳定性： 在某些情况下，Adam可能会在训练后期不稳定，导致模型性能下降。这通常需要更小的学习率或其他调整来解决。

Adam利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。堆内存的需求比较小，也适用于大数据集和更高维空间的模型。

优点：

1. 计算开销小： SGD的计算成本通常较低，因为它只使用小批次的数据进行梯度计算。

2. 较少内存消耗： 与Adam相比，SGD需要较少的内存，因为它不需要存储历史梯度信息。

3. 噪声有助于逃离局部极小值： SGD引入了梯度噪声，这有助于使模型跳出局部极小值并探索更广泛的参数空间。

缺点：

1. 需要调整学习率： SGD通常需要手动调整学习率，并且学习率的选择可能会影响训练的成功与否。

2. 训练时间较长： 由于SGD在更新参数时通常需要更多的迭代次数，因此它可能需要更长的时间来收敛。

3. 不适用于某些问题： 对于一些问题，特别是在存在大量噪声的数据中，SGD可能无法有效地收敛。

SGD是一种随机梯度下降优化器，SGD就是每一次迭代计算mini-batch的梯度，然后对参数进行更新，是最常见的优化方法了。

Adam优化器和SGD优化器各自有各自的优点，在图像噪声比较多的时候更适合使用Adam优化器，同样，当损失出现陷入局部最小的问题时当然还是SGD优化器更能避免这个问题。