用三维Demo看懂各种优化算法，还有C程序员福音

　　晓查发自凹非寺
　　量子位报道公众号QbitAI
　　机器学习里的优化算法很多，比如SGD、Adam、AdaGrad、AdaDelta等等，光是它们的迭代公式就已经够让人头疼。
　　好在TensorFlow、Keras、PyTorch中都集成了这些优化工具，但它们是如何在一步步迭代中滑落到最小值的，你真的清楚吗？
　　现在有一个机器学习优化算法的Demo，能帮你从图像中直观感受到调参对算法结果的影响，以及各自的优缺点。
　　它就是ensmallen！它的开发者不仅提供了Demo，还给程序员们打包了一份C数据库，那我们先来试玩一下吧。
　　试玩Demo
　　试玩方法很简单，甚至不需要安装任何软件，进入ensmallen网站，选择Demo标签，就能看到一组优化算法的3D示意图。
　　页面默认是常见的Adam算法，我们会看到参数沿着红色的路线，最终落入损失函数的最低点：
　　左侧是参数初始值所在位置，也就是图片中的红点，可以用鼠标随意拖动。
　　中间和右侧的图都是损失函数的等高线。中间以不同颜色标记不同高度，右侧直接给出了损失函数的梯度场，以箭头指向表示梯度方向、长度表示梯度大小。可以看出等高线越密集的地方，梯度也越大。
　　如果觉得上面的损失函数图不够清晰直观，还有高清3D大图：
　　随着迭代步数的增加，损失函数的数值不断减小：
　　Adam算法可以调节的超参数有：步长、迭代次数、允许误差、1、2、模糊因子、BatchSize。
　　拖动滑动条调节超参数，红线的形状和终点也会随之变化。我们不妨调节一下步长，看看这个参数会对结果造成什么样的影响。
　　增加步长会让学习曲线震荡幅度变大，步长太小会让损失函数收敛过慢：
　　步长分别是0。3、0。03和0。003的三种情况
　　以上只是最简单的情况，Demo界面还提供其他奇形怪状的损失函数：
　　以及近乎所有常见的优化算法：
　　在不同形状的损失函数里，这些优化算法各有优缺点。
　　如果损失函数的等高线是椭圆，Adam收敛速度很快，仅迭代100步左右就已经收敛，而AdaGrad迭代了近300步才收敛。
　　但Adam并非就有绝对优势。在有多个鞍点和局部最小值的图形中，Adam虽然在开始阶段下降速度很快，但是在最后阶段震荡较严重，收敛速度反而不及AdaGrad。
　　上面的玩法只是Demo很小的一部分，想尝试更多请参见文末的链接地址。
　　C程序员福音
　　千万不要以为ensmallen只是一个好玩的Demo，实际上它还是一个高效的C优化库。对于用C来给AI编程的程序员来说，它能对任意函数进行数学优化，解决了C机器学习工具匮乏的痛点。
　　ensmallen除了打包基本优化算法之外，用户还可以使用简单的API轻松添加新的优化器。实现新的优化器只需要有一种方法和一个新的目标函数，通常用一到两个C函数就能搞定。
　　安装ensmallen需要满足以下要求：支持C11的编译器C线性代数与科学计算库Armadillo数学函数库OpenBLAS或IntelMKL或LAPACK
　　ensmallen中的所有内容都在ens命名空间中，因此在代码中放置一个using指令通常很有用：
　　以使用Adam为例，其代码如下：RosenbrockF
　　arma：：matcoordinatesf。GetInitialPoint（）；
　　Adamoptimizer（0。001，32，0。9，0。999，1e8，100000，1e5，true）；
　　optimizer。Optimize（f，coordinates）；
　　其中，Adam优化器中参数的顺序依次是：步长、BatchSize、1、2、、最大迭代次数、允许误差、是否以随机方式访问每个函数。
　　至于其他优化算法，可以去网站查看详细的说明文档。
　　最后附上所有资源：
　　ensmallen压缩包下载地址：
　　https：ensmallen。orgfilesensmallen1。14。2。tar。gz
　　Demo地址：
　　https：vis。ensmallen。org
　　完
　　诚挚招聘
　　量子位正在招募编辑记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号（QbitAI）对话界面，回复招聘两个字。
　　量子位QbitAI头条号签约作者
　　追踪AI技术和产品新动态