选自offconvex
作者：ZhiyuanLi等机器之心编译编辑：小舟、陈萍你的学习率的大小调合适了吗？
从事机器学习方面相关研究的人都了解，网络模型的最终性能少不了优化。其中损失函数扮演了非常重要的角色，而随机梯度下降算法（SGD）由于其良好的收敛性，常常被用来进行梯度更新。为了加快收敛速度，缩短训练时间，同时为了提高求解精度，采用随机梯度下降算法应该注意学习率（LearningRate,LR）等参数的调整。那么LR的大小对现代深度学习与传统优化分析的是怎样的呢？下面通过一篇论文进行解答。该论文就是《ReconcilingModernDeepLearningwithTraditionalOptimizationAnalyses:TheIntrinsicLearningRate》，指出了归一化网络与传统分析之间的不兼容性。在深入研究这些结果之前，先回顾一下权重衰减（又名ξ2正则化）训练归一化网络。则随机梯度下降(SGD)的第t次迭代为：λ表示权重衰减(WD)因子（或者?2-正则化系数），ηt表示学习率，Bt表示batch，?L(wt,Bt)表示batch梯度。在比较理想的假设下（即在随机初始化期间固定顶层不会影响最终准确度），用于训练此类归一化网络的损失函数尺度不变，这意味着L（wt;Bt）=L（cwt;Bt）,?c0。尺度不变性的结果就是：对于任意c0，?wLw=w0=c?wL
w=cw0以及?2wL
w=w0=c2?2wL
w=cw0。传统观点（ConventionalWisdom,CW）CW1：当LR降至零时，优化动态收敛到一条确定的路径（梯度流），沿着该路径训练损失显著减小。回想一下，在解释传统（确定）梯度下降中，如果LR小于损失函数平滑度的倒数，那么每一步都会减少损失。SGD是随机的，在可能的路径上都有分布。但是，极小的LR可以看作是full-batch梯度下降（GD），它在无穷小的步长范围内接近梯度流（GF）。上述推理表明，极小的LR至少可以减少损失，那么更高的LR也可以。当然，在深度学习中，我们不仅