摘要：1、优化算法SGD：随机梯度下降SGD+Momentum:基于动量的SGD（在SGD基础上做过优化）SGD+Nesterov+Momentum：基于动量，两步更新的SGD（在SGD+Momentum基础上做过优化）Adagrad：自适应地为各个参数分配不同学习速率Adadelta：针对Ada
1、优化算法
- SGD：随机梯度下降
- SGD+Momentum: 基于动量的SGD（在SGD基础上做过优化）
- SGD+Nesterov+Momentum：基于动量，两步更新的SGD（在SGD+Momentum基础上做过优化）
- Adagrad：自适应地为各个参数分配不同学习速率
- Adadelta： 针对Adagrad问题，优化过的算法（在Adagrad基础上做过优化）
- RMSprop：对于循环神经网络（RNNs）是最好的优化器（在Adadelta基础上做过优化）
- Adam：对每个权值都计算自适应的学习速率（在RMSprop基础上做过优化）
- Adamax：针对Adam做过优化的算法（在Adam基础上做过优化）
（1）SGD：随机梯度下降
指mini-batch gradient descent，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
缺点：选择合适的learning rate比较困难 - 对所有的参数更新使用同样的learning rate。对于稀疏数据或者特征，有时我们可能想更新快一些对于不经常出现的特征，对于常出现的特征更新慢一些，这时候SGD就不太能满足要求了；
SGD容易收敛到局部最优，并且在某些情况下可能被困在鞍点。
（2）momentum
是模拟物理里动量的概念，积累之前的动量来替代真正的梯度。momentum项能够在相关方向加速SGD，抑制振荡，从而加快收敛。
（3）Adam(Adaptive Moment Estimation)
Adam(Adaptive Moment Estimation)本质上是带有动量项的RMSprop，它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。
优点：
- 结合了Adagrad善于处理稀疏梯度和RMSprop善于处理非平稳目标的优点
- 对内存需求较小
- 为不同的参数计算不同的自适应学习率
- 也适用于大多非凸优化 - 适用于大数据集和高维空间
2、如何选择
整体来讲，Adam 是最好的选择。
很多论文里都会用 SGD，没有 momentum 等。SGD 虽然能达到极小值，但是比其它算法用的时间长，而且可能会被困在鞍点。
如果需要更快的收敛，或者是训练更深更复杂的神经网络，需要用一种自适应的算法。
