USC提出拟牛顿法深度学习优化器Apollo，效果比肩SGD和Adam

论文地址

https://arxiv.org/abs/2009.13586

论文源码

https://github.com/XuezheMax/apollo 类型: PyTorch

摘要

本文介绍了Apollo，一种针对非凸随机优化的拟牛顿方法。它通过对角矩阵逼近Hessian，动态地将损失函数的曲率应用到优化的过程中。重要的是，Apollo对于Hessian的对角近似的时间和空间复杂度与自适应一阶优化方法一样。为了处理目标函数的非凸性，我们用Hessian的修正绝对值（recified absolute value）来代替原始的Hessian，保证它是正定的。机器视觉和自然语言处理三项任务上的实验表明，Apollo在收敛速度和泛化性能上都比其它随机优化方法(包括SGD和ADAM的变体)有了显著的改进。

随机非凸优化和拟牛顿法

本文专注于以下形式的随机非凸优化问题：

其中 是模型的参数， 是随机噪音。拟牛顿法的参数更新公式如下：

为步长(stepsize)，又叫学习率(learning rate)。 为每一次参数更新时对Hessian矩阵的近似。矩阵 的计算满足经典的 secant equation：

其中 ， 。以上公式中不同矩阵模(norm)的选择对应不同的经典算法，例如L-BFGS[1]和DFP[2]。

总结来说，拟牛顿法在深度学习优化问题中存在三个常见问题：

1. Time and Memory Efficiency(时空复杂度). 在深度学习的优化问题中，由于模型参数的维度巨大，现有的拟牛顿法无法在实际问题中应用。比如经典的L-BFGS[1]算法一般需要记录至少之前5到10步的迭代历史，这在深度学习问题中是不实际的。而现有的一些为随机非凸问题设计的拟牛顿法，例如SdLBFGS[3]，甚至需要比L-BFGS更多的时间和空间资源。
2. Stochastic Variance. 优化过程中的随机性使得对于Hessian的近似存在较大的方差， 导致优化算法的不稳定甚至失败。
3. Nonconvexity(非凸性). 目标函数的非凸性导致很难在优化过程中保证Hessian的正定性。而目标函数的随机性又使得标准的line search无法有效的应用。

Apollo算法

Time and Memory Efficiency(时空复杂度)。为了降低Apollo算法的时空复杂度，我们仿效之前的工作，用对角矩阵来近似Hessian，亦即约束每一步 为对角矩阵。为了满足这一约束，我们需要对公式(5)中的secant equation进行放松。一个常用的方法是weak secant equation[4,5]:

但是对于参数为度巨大的深度神经网络来说，weak secant equation的约束过于微弱。为了得到一个折中的办法，我们利用神经网络参数的性质，将参数分离成不同的参数模块： 。例如，一个多层神经网络的参数可以分离成每一层不用功能的参数。这样对于每一个参数都会产生一个weak secant equation，增强了约束能力。

经过简单的推到， 的更新公式为：

Stochastic Variance. 为了降低优化过程中由于随机噪音导致的不稳定，我们除了应用Adam中的Exponential Moving Average (EMV)之外，还提出了一个重要的方法：Stepsize Bias Correction。简单来说，我们希望矩阵 的更新可以不受步长的影响。具体的做法是对每一步的gradient 进行修正： 。这样公式(7)就演变为：

其中 。对于Stepsize Bias Correction的具体讨论请参考原文。实际应用中，我们发现Stepsize Bias Correction对于Apollo算法的收敛稳定性起到至关重要的作用。

Nonconvexity(非凸性). 非凸性是阻碍拟牛顿法应用到深度学习优化的最主要困难之一。如下图所示，对于一个非凸点的曲率是负的，因此直接应用拟牛顿法会导致参数更新方向错误。

Apollo对于这个问题的解决方案很简单直接，用 的修正绝对值（rectified absolute value）来代替

其中 是一个超参数。现在的问题是我们是否需要增加一个需要调试的超惨 ?幸运的是，我们发现 和 是两个耦合在一起的超参数，而实际中我们可以固定一个而只调试另一个。具体请参考论文中的Theorem 1.

的取值选择。 在最初的版本中，我们设定 。但是我们发现这样使得 的取值会比较大，不太符合大家对学习率(learning rate)的直观印象。因此我们在最新的版本中设定 。具体讨论参考论文。

Apollo算法的收敛性

我们仿效之前的工作，对Apollo在凸函数和非凸函数两种情况下的收敛进行了理论分析。具体请参考论文中的Theorem 2 和 Theorem 3

实验

实验部分，我们做了在三个常见的任务上面对比了Apollo和其他优化算法的效果，包括Image Classification, Language Modeling 以及Neural Machine Translation。涉及的神经网络模型包括ResNet，LSTM和Transformer。每个实验，我们都用5个不同的random seed，并报告实验结果的平均值。具体的实验配置，请阅读论文。

Image Classification

Language Modeling

Neural Machine Translation (WMT-14 English-German)

结语

这篇文章从去年9月开始已经在一年内被多次拒稿，实在让我感慨优化领域的水之深。扪心自问，这篇论文我们算是尽心尽力做到能做的最好，也自认无论从算法还是实验结果都有创新的地方。据我们的有限所知，Apollo是目前第一个能在实际中应用的深度神经网络的优化算法，并能在多个任务和网络结构上取得比肩甚至超过SGD和Adam的效果。然而，仍有审稿人因为各种原因拒稿。其中最多的拒稿原因是Apollo中提出的一些方法，例如stepsize bias correction和rectified absolute value没有明确的理论证明。说一句有些偏激的话，现在深度学习中有哪个实际中有效的方法有严格的理论证明？甚至有一个审稿人的一条意见是，我们的收敛证明是基于Adam，而在他/她看来，Adam的理论证明是达不到发表的标准的。我想说的是，在当下论文井喷的时代，做自己心中觉得真正有用的研究才是一个研究员最该坚持的事。

引用

如果觉得有用，就请分享到朋友圈吧！