APGD梯度下降算法原理剖析与实战优化指南

1次阅读

共计 1882 个字符，预计需要花费 5 分钟才能阅读完成。

在机器学习中，梯度下降算法是优化模型参数的核心工具。然而，传统梯度下降在处理非光滑优化问题时表现不佳，尤其是在 L1 正则化场景下。L1 正则化因其能够产生稀疏解而被广泛应用，但它在零点不可导的特性导致传统梯度下降在接近最优解时出现收敛抖动现象。具体表现为：

参数更新方向在零点附近频繁震荡
收敛速度显著下降
对学习率等超参数极其敏感

这些问题在高维稀疏数据场景下尤为突出，严重影响了模型训练效率和最终性能。

我们首先对比几种常见优化器在 L1 正则化场景下的表现：

SGD（随机梯度下降）：
简单直接但收敛慢
在非光滑点容易震荡
需要精心调整学习率
Adam：
自适应学习率缓解了部分问题
但在 L1 正则化下仍可能过冲
动量项可能导致参数过度更新
APGD（自适应近端梯度下降）：
通过近端算子处理非光滑项
自适应步长机制
Nesterov 动量加速收敛

数学上，APGD 的迭代公式为：

$$x_{k+1} = \text{prox}_{ηh}(x_k – η∇f(x_k))$$

其中 $\text{prox}_{ηh}$ 是近端算子，定义为：

$$\text{prox}_{ηh}(v) = \arg\min_x \left(h(x) + \frac{1}{2η}||x-v||^2 \right)$$

对于 L1 正则化 $h(x) = λ||x||_1$，近端算子有解析解（软阈值函数）：

$$\text{prox}_{ηh}(v)_i = \text{sign}(v_i)\max(|v_i| – ηλ, 0)$$

APGD 通过以下机制提升性能：

步长自适应 ：
根据当前梯度变化动态调整步长
避免手动调参的繁琐
Nesterov 动量 ：
在梯度计算前应用动量
加速收敛同时减少震荡

下面是用 PyTorch 实现 APGD 优化器的示例代码：

import torch
from torch.optim import Optimizer

class APGD(Optimizer):
    def __init__(self, params, lr=1e-3, lambda_=1e-4, momentum=0.9):
        defaults = dict(lr=lr, lambda_=lambda_, momentum=momentum)
        super(APGD, self).__init__(params, defaults)

    @torch.no_grad()
    def step(self, closure=None):
        loss = None
        if closure is not None:
            loss = closure()

        for group in self.param_groups:
            for p in group['params']:
                if p.grad is None:
                    continue

                grad = p.grad.data
                state = self.state[p]

                # 初始化状态
                if 'momentum_buffer' not in state:
                    state['momentum_buffer'] = torch.zeros_like(p.data)

                # Nesterov 动量更新
                buf = state['momentum_buffer']
                buf.mul_(group['momentum']).add_(grad, alpha=1-group['momentum'])
                nesterov_grad = grad.add(buf, alpha=group['momentum'])

                # 近端梯度更新
                p.data.add_(nesterov_grad, alpha=-group['lr'])

                # L1 正则化的近端算子（软阈值）p.data = torch.sign(p.data) * torch.clamp(torch.abs(p.data) - group['lr'] * group['lambda_'], 
                    min=0
                )

        return loss

在 MNIST 数据集上的对比实验显示，APGD 在 L1 正则化场景下：