【转载】 梯度的直观理解_谈谈优化算法之一（动量法、Nesterov法、自然梯度法）

原文地址：

https://blog.csdn.net/weixin_34613462/article/details/112333623

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_34613462/article/details/112333623
————————————————

========================================

-------------------------------------------------------------------

是时候谈谈优化算法了。不管是求解优化目标还是为了调参，只要问题从理论层面上升到实际操作层面，就离不开优化算法。本节讲主要围绕梯度下降（Gradient Descent）算法展开。

动量法(Momentum)

                                                                       陷入局部最优或在平原部分缓步前行

  

牛顿动量（Nesterov）算法

 

自然梯度法（Natural Gradient Descent）

当优化问题的两个坐标轴尺度差异较大时，动量法在更新过程中会出现震荡问题，Nesterov算法给出了初步解决，但这两种方法有一个共性，就是都是从参数的角度去优化模型的，那有没有可能从模型本身角度来考虑呢？——这就是自然梯度法。在强化学习的Natural Actor-Critic算法和TRPO算法中，自然梯度法是强有力的优化工具。

========================================