Day 8: 优化器与训练技巧
摘要：设计好了神经网络架构只是第一步，如何让它“学”好则是另一个关键挑战。本文深入探讨深度学习中的优化器演进（从SGD到AdamW）、学习率调度策略、关键的归一化技术（BN、LN、RMSNorm）以及防止过拟合的正则化手段。
1. 优化器 (Optimizers)
优化器的作用是根据计算出的梯度来更新模型的权重，以最小化损失函数。
1.1 SGD 与 Momentum
SGD (Stochastic Gradient Descent)是最基础的优化算法，每次只随机抽取一部分样本（Batch）计算梯度并更新。
θ t + 1 = θ t − η ⋅ ∇ J ( θ t ) \theta_{t+1} = \theta_t - \eta \cdot \nabla J(\theta_t)θt+1=θt−η⋅∇J(θt)
其中η \etaη是学习率。
通俗解释：梯度震荡
想象你在滑雪下山，地形是一个狭长的峡谷，左右坡度很陡，但沿着峡谷向下的坡度很缓。
- SGD的困境：你站在峡谷一侧，SGD只看脚下，觉得“左边好陡”，于是用力向右冲；冲到对面后又觉得“右边好陡”，于是用力向左冲。结果就是你在峡谷两壁之间来回“剧烈横跳”（震荡），大部分力气花在左右移动上，沿着峡谷向下前进的速度反而很慢。
- Momentum的作用：引入“动量”模拟惯性。当你左右横跳时，惯性会抵消一部分横向的力，保留更多纵向（沿峡谷走向）的速度，让你能平滑地滑向谷底。
Momentum (动量)：为了解决SGD在由于梯度方向震荡导致收敛慢的问题，引入了“动量”概念，模拟物理中的惯性。
v t + 1 = γ v t + η ∇ J ( θ t ) v_{t+1} = \gamma v_t + \eta \nabla J(\theta_t)vt+1=γvt+η∇J(θt)
θ t + 1 = θ t − v t + 1 \theta_{t+1} = \theta_t - v_{t+1}θt+1=θt−vt+1
动量项γ \gammaγ通常设为 0.9。
1.2 Adam (Adaptive Moment Estimation)
Adam 结合了 Momentum (一阶动量) 和 RMSProp (二阶动量/自适应学习率) 的优点。它为每个参数计算独立的自适应学习率。
- 一阶动量(均值):m t = β 1 m t − 1 + ( 1 − β 1 ) g t m_t = \beta_1 m_{t-1} + (1-\beta_1) g_tmt=β1mt−1+(1−β1)gt
- 二阶动量(方差):v t = β 2 v t − 1 + ( 1 − β 2 ) g t 2 v_t = \beta_2 v_{t-1} + (1-\beta_2) g_t^2vt=β2vt−1+(1−β2)gt2
- 偏差修正:m ^ t = m t / ( 1 − β 1 t ) \hat{m}_t = m_t / (1-\beta_1^t)m^t=mt/(1−β1t),v ^ t = v t / ( 1 − β 2 t ) \hat{v}_t = v_t / (1-\beta_2^t)v^t=vt/(1−β2t)
- 更新:θ t + 1 = θ t − η m ^ t v ^ t + ϵ \theta_{t+1} = \theta_t - \eta \frac{\hat{m}_t}{\sqrt{\hat{v}_t} + \epsilon}θt+1=θt−ηv^t+ϵm^t
1.3 AdamW
AdamW是目前大模型训练的主流选择。它解决了 Adam 中权重衰减（L2正则）实现不正确的问题。在 AdamW 中，权重衰减（Weight Decay）直接应用于权重更新步骤，而不是混入梯度计算中，从而实现了与学习率的解耦。
💻 代码实践：PyTorch优化器选择
importtorchimporttorch.nnasnnimporttorch.optimasoptim model=nn.Linear(10,2)# 1. SGD with Momentumoptimizer_sgd=optim.SGD(model.parameters(),lr=0.01,momentum=0.9)# 2. Adamoptimizer_adam=optim.Adam(model.parameters(),lr=0.001)# 3. AdamW (推荐用于Transformer/大模型)optimizer_adamw=optim.AdamW(model.parameters(),lr=0.001,weight_decay=0.01)2. 学习率调度 (Learning Rate Schedulers)
恒定的学习率往往无法达到最优解。通常策略是：前期Warmup（预热）以稳定梯度，后期Decay（衰减）以精细收敛。
2.1 Warmup
在训练初期，由于梯度变化剧烈，使用较大的学习率容易导致模型不稳定。Warmup 策略是在最初的几步（如前5% steps）将学习率从 0 线性增加到预设的最大值。
2.2 Cosine Annealing (余弦退火)
学习率随训练步数按余弦函数曲线下降。相比于阶梯式下降（Step Decay），余弦退火更加平滑，且往往能获得更好的泛化能力。
💻 代码实践：Scheduler
fromtransformersimportget_cosine_schedule_with_warmup# 假设总步数为 1000，预热步数为 100optimizer=optim.AdamW(model.parameters(),lr=1e-3)scheduler=get_cosine_schedule_with_warmup(optimizer,num_warmup_steps=100,num_training_steps=1000)# 在训练循环中# optimizer.step()# scheduler.step()3. 归一化技术 (Normalization)
归一化旨在解决Internal Covariate Shift (ICS)问题，使各层输入的分布保持稳定，从而加速收敛并允许使用更大的学习率。
通俗解释：Internal Covariate Shift
把深度网络看作一个“流水线工厂”。第 2 层（工人B）习惯处理第 1 层（工人A）传过来的“标准件”。
但随着训练进行，工人 A 的参数在变，传给 B 的产品特性（数据分布）也在不停地变。工人 B 就不得不一直重新适应 A 的变化，导致整个工厂效率极低。
归一化（BN/LN）就像在 A 和 B 之间放了一个“质检员”，不管 A 产出什么，都强行把它标准化（均值0方差1）再给 B。这样 B 就能稳定工作了。
| 方法 | 适用场景 | 维度 (Input: N, C, H, W) | 描述 |
|---|---|---|---|
| Batch Norm (BN) | CNN (CV任务) | 对 N, H, W 归一化 | 依赖 Batch Size，训练/推理行为不同 |
| Layer Norm (LN) | RNN/Transformer (NLP) | 对 C, H, W 归一化 | 独立于 Batch Size，对序列长度不敏感 |
| RMSNorm | LLM (如 LLaMA) | 同 LN | LN 的简化版，去除了均值中心化，仅保留缩放，计算更高效 |
RMSNorm 公式
相比 LayerNorm，RMSNorm (Root Mean Square Layer Normalization) 省略了减去均值的步骤：
x ˉ i = x i RMS ( x ) g i , where RMS ( x ) = 1 n ∑ j = 1 n x j 2 + ϵ \bar{x}_i = \frac{x_i}{\text{RMS}(x)} g_i, \quad \text{where } \text{RMS}(x) = \sqrt{\frac{1}{n} \sum_{j=1}^n x_j^2 + \epsilon}xˉi=RMS(x)xigi,whereRMS(x)=n1j=1∑nxj2+ϵ
4. 正则化 (Regularization)
为了防止模型过拟合（在训练集表现好，测试集表现差），需要引入正则化。
4.1 Dropout
在训练过程中，随机将一部分神经元的输出置为 0。这相当于训练了无数个子网络的集成，迫使网络不过分依赖某些特定的特征。
类比理解：
Dropout 的机制与随机森林 (Random Forest)非常相似。
- 训练时：每次随机关掉一部分神经元，相当于每次都在训练一个不同的“残缺版”子网络。
- 推理时：所有神经元全开，相当于把这成百上千个子网络的预测结果做了“加权平均”。
这种隐式的集成学习 (Ensemble Learning)有效降低了模型的方差，提升了泛化能力。
注：现代大模型训练中，为防止破坏特征，有时会减少Dropout的使用或仅在特定位置使用。
4.2 Weight Decay (L2 正则)
在损失函数中加入权重的平方和惩罚项：L = L d a t a + λ ∣ ∣ w ∣ ∣ 2 L = L_{data} + \lambda ||w||^2L=Ldata+λ∣∣w∣∣2。这限制了权重的大小，防止模型过于复杂。
4.3 数据增强 (Data Augmentation)
通过对训练数据进行变换（如图片的翻转、裁剪、颜色变换，文本的掩码、回译等）来增加数据多样性，是提升模型鲁棒性最直接有效的方法。
5. 总结
在深度学习训练中，“炼丹”技巧往往和模型架构一样重要：
- 优化器：首选AdamW，它是目前 CV 和 NLP 领域的通用选择。
- 学习率：配合Warmup + Cosine Decay策略，能显著提升收敛效果。
- 归一化：CNN 用 BN，Transformer/RNN 用 LN 或RMSNorm。
- 正则化：合理使用 Weight Decay 和 Dropout 防止过拟合。
掌握这些组件的原理与搭配，是训练高性能模型的基础。
参考资料
- Decoupled Weight Decay Regularization (AdamW Paper)
- Root Mean Square Layer Normalization
- PyTorch Optimization Documentation
