关于Learing Rate（学习率）、Adagrad（自适应选取学习率）

关于学习率

学习率主要用在神经网络的反向传播中，用来调节参数，但学习率的选取很重要，当学习率选取过大时，如下图黄线所示，参数会跳过使损失函数最低的参数，这样有可能使损失变得更大，而选取较小时，网络的训练时间会比较长，迟迟到达不了最低点。所以对于学习率的选取要十分小心。

为什么要自适应选取学习率

原因主要是：因为我们在训练过程中，我们希望在刚开始的时候，学习率可以大一些，这样可以加速收敛，而越往后，我们希望学习率可以更小一些，因为快接近最低损失点了， 如何学习率还是很大，很容易跳过最低点，所以我们选择自适应选取学习率。在介绍如何自适应选取学习率前，先看一个例子。
假如我们的model使一个二次函数，如下图，我们现在所处的位子是X0点，我们像到达最低点，那么我们的步伐多大最合适呢，可以看到，当我们的步伐等于一次微分/二次微分的时候我们正好可以到达最低点！
所以，为了自适应选择学习率，我们同样可以借鉴上述的方法。因为当model比较复杂时，我们求取二次微分会比较复杂，所以选取函数来代替二次微分，如下图所示：

这就是自适应选取学习率所采取的概念！

今天的文章关于Learing Rate（学习率）、Adagrad（自适应选取学习率）分享到此就结束了，感谢您的阅读。