原创 · 作者｜苏剑林
单位｜追一科技
研究方向｜NLP、神经网络
本文的主题是“为什么我们需要有限的学习率”，所谓“有限”，指的是不大也不小，适中即可，太大容易导致算法发散，这不难理解，但为什么太小也不好呢？一个容易理解的答案是，学习率过小需要迭代的步数过多，这是一种没有必要的浪费，因此从“节能”和“加速”的角度来看，我们不用过小的学习率。
但如果不考虑算力和时间，那么过小的学习率是否可取呢？Google 最近发布在 Arxiv 上的论文 Implicit Gradient Regularization [1] 试图回答了这个问题，它指出有限的学习率隐式地给优化过程带来了梯度惩罚项，而这个梯度惩罚项对于提高泛化性能是有帮助的，因此哪怕不考虑算力和时间等因素，也不应该用过小的学习率。
总的来说，不管是对输入还是对参数的梯度惩罚，都对提高泛化能力有一定帮助。
降得最快的方向
该论文跟这个系列的文章一样，将优化过程看成是求解微分方程。回顾之前的文章从动力学角度看优化算法：一个更整体的视角，设损失函数为 ，我们将 看成是看成是沿着某种时间参数 t 变化的轨迹 ，现在我们考虑它的变化率：我们希望 随着时间的变化是递减的（Loss 越小越好），所以希望上式小于 0，当模长 固定时，上式右端的最小值在梯度的反方向 取到，所以我们说梯度的负方向下降得最快方向。简单期间，我们可以直接令：
那么求解参数 就转化为求解上述常微分方程组，这也是“从动力学角度看优化算法”这个系列的基本出发点。
藏在学习率中的正则
然而，实际的问题是，我们没法真正去求解微分方程组（2），我们只能用数值迭代，比如采用最简单的欧拉法，得到：
这其实就是最朴素的梯度下降法，其中 也就是我们常说的学习率。上式本质上就是一个差分方程。可以想象，从 出发，得到的点 与方程组（2）的精确解 会有一定的出入。如何衡量出入到什么程度呢？不妨这样想象， 其实也是某个类似（2）的微分方程组的精确解，只不过对应的 换成了某个新的 ，我们比较 与 的差异就好了。推导过程我们放在下一节。可以看到，其实就相当于往损失函数里边加入了梯度惩罚形式的正则项 ，而梯度惩罚项有助于模型到达更加平缓的区域，有利于提高泛化性能。这也就是说，离散化的迭代过程隐式地带来了梯度惩罚项，反而是对模型的泛化是有帮助的，而如果 ，这个隐式的惩罚则会变弱甚至消失。因此，结论就是学习率不宜过小，较大的学习率不仅有加速收敛的好处，还有提高模型泛化能力的好处。当然，可能有些读者会想，我直接把梯度惩罚加入到 loss 中，是不是就可以用足够小的学习率了？理论上确实是的，原论文将梯度惩罚加入到 loss 中的做法，称为“显式梯度惩罚”。
对于差分方程到微分方程的转换，我们可以用普通的“摄动法”来求解，笔者也有过简单介绍（可以查看标签“摄动” [3] ）。不过更漂亮的解法是直接利用算符的级数运算来做，参考之前的文章《算符的艺术：差分、微分与伯努利数》[4] 。
如果将对 t 求导的运算记为 D，那么上式实际上是：
等号左端就是 ，因此等号右端就是 的表达式了，保留到一阶项为：
例行公事的小总结
深度学习的发展和普及离不开基于梯度下降的优化器的成功应用，而梯度下降为何能如此成功，依然还没得到深刻的解释。众多研究人员在“炼丹”过程中，多多少少也能总结出一些不知道为什么有效的“奇技淫巧”出来，诸如 batch_size 该取多大、学习率该怎么调，估计每个人也有自己的经验。
对于“学习率不能过小”这个现象，大家应该都有所体会，很多时候可能已经默认作为一个“常识”使用，而懒得思考背后的原理了。
Google 的这篇论文则为理解这个现象提供了一个可能的解释：适当而不是过小的学习率能为优化过程带来隐式的梯度惩罚项，有助于收敛到更平稳的区域。笔者认为其分析过程还是值得参考学习的。[1] https://arxiv.org/abs/2009.11162[2] https://kexue.fm/archives/7643[3] https://kexue.fm/tag/%E6%91%84%E5%8A%A8/[4] https://kexue.fm/archives/3018
