Adam被攻击的泛化问题和收敛问题是什么，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。
最常用的Adam优化器，有着收敛速度快、调参容易等优点，但是也存在经常被人吐槽的泛化性问题和收敛问题。
因此，在很多大佬的代码中，依然会使用传统的SGD+momentum的优化器。
下面就随便的谈一谈下面的问题，来让大家扩展一下知识：
Adam被攻击的泛化问题和收敛问题；
对机器学习有了解的朋友，应该对Adam优化器不陌生了。大体来说就是Momentum + Adagrad + RMSProp的结合。
【如果需要的话，之后可以简单易懂的通俗讲讲各种类型的优化器的算法】
从Adam和SGDM中就可以得知，Momentum是一个很好的设计。
在讨论模型泛化问题的时候，我们会希望模型找到的极小值（收敛位置），是一个比较平缓、不陡峭的位置！，原因看下图：
左边的那个收敛点是一个比较平缓的点，而右边的是一个非常陡峭非常sharp的收敛点。而训练集和测试集虽然要求同分布，但是其实还是会有微小的差别。
对于陡峭的收敛点，训练集的损失可能会很小，但是测试集的损失很可能就很大。而平坦的收敛点就不会这样。这就是泛化问题，有的时候也被看成过拟合现象。
但是我们也是无法直接证明Adam总是找到sharp的极小值。不过很多论文或多或少都只指出了Adam在测试的时候error会较大。
这里有一张图，可以看到，虽然Adam在训练集中收敛速度最快，但是测试集的效果并不是非常的好。
Adam在某些情况下会出现无法收敛的情况，最著名的关于这个问题的Adam的吐槽就是这个论文：2018 ICLR的best paper：On the Convergence of Adam and Beyond
但是这个问题其实并不是我们这种人经常会遇到的，反而泛化问题是一个真正的困扰。
大佬们经常用的一个learning rate scheduling方案就是warn-up+decay。
【warn-up】: 是指不要一开始用高的learning-rate,应该要从低的慢慢增大到base-learning rate。学习率从小到大。
【decay】: 随着optimization的步数的增长，逐渐降低learning rate。
Decay的部分其实很常见，所有的人都会用，但是warn-up其实就有点诡异了，在ResNet的论文中其实可以看到这个。
Radam 是在warm up的时候提出了一些有效的策略。
关于Adam被攻击的泛化问题和收敛问题是什么问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注亿速云行业资讯频道了解更多相关知识。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
