1.最优化(Optimization)失败的原因——驻点(Critical Point)

step2：根据海塞矩阵(Hessian)判断

举例

3.处在鞍点时应如何操作？

4.saddle point和local minima哪个更常见？

二、批次(Batch)与动量(Momentum)

1.Batch

概念

意义

Small Batch v.s. Large Batch

2.动量(Momentum)

一、局部最小值(Local Minima)与鞍点(Saddle Point)

1.最优化(Optimization)失败的原因——驻点(Critical Point)

当Gradient decent走到了极值点，即局部极小值点(local minima)，对参数的gradient接近于0，无法继续更新参数，此时training停止，loss也就不在下降。

还有可能是到达了鞍点(saddle point)，该点低于左右两侧但高于前后两侧（前后左右位置相对而言），此时的gradient为0，但既不是local minima，也不是local maxima。

以上两种使gradient为0的点，统称为驻点(critical point)。

当卡在local minima时就无路可走，因为四周没有比该点更低的取值；但卡在saddle point时，周围存在使loss更低的点。

2.如何鉴别极值点和鞍点？

step1：泰勒级数展开

采用泰勒级数展开的方法近似模拟损失函数 $L(\theta)$ 在该点附近的形状：给定一组参数 $\theta^{'}$ ， $L(\theta)$ 在 $\theta = \theta^{'}$ 附近的表达式可写成：

当处于驻点时， $L(\theta)$ 对参数的微分为0，即 $g$ 为0，则第二项不存在，需要根据第三项判断 $\theta^{'}$ 附近error surface的形状，判断此时到底是极值点还是鞍点。

step2：根据海塞矩阵(Hessian)判断

第三项中的 $H$ 是海塞矩阵，这里放上一张之前听课关于海塞矩阵的公式推导部分的笔记。想要具体了解海塞矩阵的求解及相关性质，推荐大家去看Datawhale谢文睿吃瓜教程的视频。

归根结底，是需要通过海塞矩阵 $H$ 特征值（eigenvalue）的正负进行判断：

举例

有一个Neural Network： $y=\omega_{1}\omega_{2}x$ ，且只有x=1时label为1的data，我们希望最终的输出和1越接近越好。该函数的损失函数为 $L=(\hat{y}-\omega_{1}\omega_{2}x)^{2}=(1-\omega_{1}\omega_{2})^{2}$ ，穷举所有的 $\omega_{1}$ 和 $\omega_{2}$ ，算出所有的loss值进行展示，最中心的黑点及周围黑点所在的线形区域为critical point。

当 $\omega_{1}$ 和 $\omega_{2}$ 的值都为0时，只求导一次无法判断遇到的是local minima还是saddle point，需要进行二次求导，即计算海塞矩阵 $H$ 并求解其特征值。本例中 $H$ 的特征值出现一正一负的情况，则卡住的地方为saddle point。

3.处在鞍点时应如何操作？

卡在saddle point时无需担心无法求解，通过海塞矩阵 $H$ 可以得知参数接下来更新的方向，即在 $\theta^{'}$ 处沿着 $u$ 的方向做参数更新，就可以使loss继续下降。

具体操作：找出海塞矩阵 $H$ 负的eigenvalue $\lambda$ 及其对应的eigenvector $u$ ，用 $u$ 加上 $\theta^{'}$ 即为下一次更新的参数 $\theta$ 。本例中 $u=[1\;1]^{T}$ ，则参数应该朝着1这个方向更新。但由于计算量过大，实际操作中该方法很少用到。

4.saddle point和local minima哪个更常见？

当跳脱出问题所在维度时，如处在二维中的local minima在三维空间中可能是saddle point，而saddle point在更高维的空间中是否依然是saddle point并不确定。训练network时候，参数往往动辄百万千万以上，参数有多少就代表error surface的维度有多少。既然维度这么高，会不会其实存在非常多的路可以走？也就是说会不会local minima根本就很少呢？

右图中的minima ratio表示正特征值在所有特征值中的比重。由图知几乎一半的eigenvalue为正，没有真正到达local minima，即local minima并没有那么常见，多数情况下遇到的还是saddle point。那么在所有维度中，有几乎一半的可能性能使得loss下降。

二、批次(Batch)与动量(Momentum)

1.Batch

概念

将所有的data分成一个个的batch，每次update参数就用一个batch的资料算loss，所有的batch看过一遍叫一个epoch。

将data分成一个个batch的过程叫做shuffle（洗牌），常见的做法是在每一次epoch开始之前会分一次batch，每一个epoch的batch都不一样。

意义

左边是没有用batch的，batch size=N，右边的batch size=1，下面比较这两种极端情况。

左边由于没有用到batch，所以要把所有data都看过一遍才能对参数进行一次update，这种方式“蓄力时间即技能冷却时间较长”，但这一步更新是稳的（powerful）。而右边的batch size=1，即每看一个资料参数就更新一次，在一个epoch里面参数会更新20次，但同时它“技能冷却快”，比较不准，gradient的方向是比较noisy的，即每一步走的不稳，整个参数update的方向较为曲折。

Small Batch v.s. Large Batch

事实上，考虑到GPU的平行运算，large batch size所用的时间不一定比small batch size时间长：

以MNIST数据集（手写数字辨识）为例，给模型一个batch，计算出gradient就能update参数的时间到底有多久？由上图可知，batch size从1到1000所耗费的时间几乎是一样的。因为有GPU的平行运算，这1000B资料是平行处理的，时间并不是1B资料的1000倍。但超过GPU算力时，计算时间依然会随着batch size的增加而增长（但看起来还是很快的）。

但对于一个epoch而言，small batch所需要的时间比large batch所需的时间长，神奇的是noisy的gradient反而可以帮助training，下图横轴为batch size，纵轴为模型的accuracy，当batch size很大时，accuracy表现越差。

为什么small batch size在training set上有较好的结果？为什么noisy的update在training时有较好的结果？由于使用的是同样的model，所以问题并不在model bias上，而是optimization可能有问题。

一个可能解释是：假设是full batch，那就是沿着loss function来update参数，当走到local minima时显然就停下来了。但如果是small batch，每次挑一个batch出来算loss相当于每次update参数时所用的loss function都是略有差异的：选到第一个batch时用 $L^{1}$ 计算gradient ，选到第二个batch时用 $L^{2}$ 计算gradient。假设用 $L^{1}$ 算gradient时发现是0卡住了，但 $L^{2}$ 的function与 $L^{1}$ 又不一样， $L^{1}$ 卡住了， $L^{2}$ 不一定会卡住，所以 $L^{1}$ 卡住没关系，换下一个batch来， $L^{2}$ 再接着算gradient，还是能够继续training model，还是有办法使loss变小。

另一个更神奇的事情是small batch也对testing有帮助。假设不管large batch还是small batch都能training到一样好，结果会发现small batch居然在testing时会是比较好的（详见On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima）。但testing时若large batch表现差，则代表over fitting。原因如下：

training loss上可能有很多local minima，但local minima有好有坏：如果local minima在峡谷中，就是坏的；在平原上，就是好的。因为training和testing之间会有差距，对“平原minima”来说，两者差的不会太多；而“峡谷minima”就会差很多。Small batch size会倾向于走到盆地，因为small batch size每次update的方向都不太一样，可能一不小心就会跳出峡谷来到平原(一个未证实的说法)。