7.7 AdaDelta算法

除了RMSProp算法以外，另一个常用优化算法AdaDelta算法也针对AdaGrad算法在迭代后期可能较难找到有用解的问题做了改进 [1]。有意思的是，AdaDelta算法没有学习率这一超参数。

7.7.1 算法

AdaDelta算法也像RMSProp算法一样，使用了小批量随机梯度

按元素平方的指数加权移动平均变量 。在时间步0，它的所有元素被初始化为0。给定超参数 （对应RMSProp算法中的 ），在时间步 ，同RMSProp算法一样计算

与RMSProp算法不同的是，AdaDelta算法还维护一个额外的状态变量

，其元素同样在时间步0时被初始化为0。我们使用 来计算自变量的变化量：

其中

是为了维持数值稳定性而添加的常数，如 。接着更新自变量：

最后，我们使用

来记录自变量变化量 按元素平方的指数加权移动平均：

可以看到，如不考虑

的影响，AdaDelta算法跟RMSProp算法的不同之处在于使用 来替代学习率 。

7.7.2 从零开始实现

AdaDelta算法需要对每个自变量维护两个状态变量，即

和 。我们按AdaDelta算法中的公式实现该算法。

%matplotlib inline
import torch
import sys
sys.path.append("..") 
import d2lzh_pytorch as d2l
features, labels = d2l.get_data_ch7()
def init_adadelta_states():
    s_w, s_b = torch.zeros((features.shape[1], 1), dtype=torch.float32), torch.zeros(1, dtype=torch.float32)
    delta_w, delta_b = torch.zeros((features.shape[1], 1), dtype=torch.float32), torch.zeros(1, dtype=torch.float32)
    return ((s_w, delta_w), (s_b, delta_b))
def adadelta(params, states, hyperparams):
    rho, eps = hyperparams['rho'], 1e-5
    for p, (s, delta) in zip(params, states):
        s[:] = rho * s + (1 - rho) * (p.grad.data**2)
        g =  p.grad.data * torch.sqrt((delta + eps) / (s + eps))
        p.data -= g
        delta[:] = rho * delta + (1 - rho) * g * g

使用超参数

来训练模型。

d2l.train_ch7(adadelta, init_adadelta_states(), {'rho': 0.9}, features, labels)

输出：

loss: 0.243728, 0.062991 sec per epoch

7.7.3 简洁实现

通过名称为Adadelta的优化器方法，我们便可使用PyTorch提供的AdaDelta算法。它的超参数可以通过rho来指定。

d2l.train_pytorch_ch7(torch.optim.Adadelta, {'rho': 0.9}, features, labels)

输出：

loss: 0.242104, 0.047702 sec per epoch

小结

• AdaDelta算法没有学习率超参数，它通过使用有关自变量更新量平方的指数加权移动平均的项来替代RMSProp算法中的学习率。

参考文献

[1] Zeiler, M. D. (2012). ADADELTA: an adaptive learning rate method. arXiv preprint arXiv:1212.5701.

注：除代码外本节与原书此节基本相同，原书传送门