https://www.bilibili.com/video/av94519857?p=8
https://www.bilibili.com/video/av94519857?p=9
-----总结-----
一次能够拿到所有训练数据，就是offline learning。
每次梯度反方向
Momentum（累加历史所有梯度，即使当前梯度为0，也会因为历史梯度的影响，继续移动，防止卡在鞍点）
Adagrad（随着时间累计，分母可能会无止境变大，导致leanring rate*gradient接近0，也就相当于卡住。EMA问题）
RMSProp（通过增加一个系数alpha，解决EMA问题。但是梯度为0的情况还是可能进入鞍点。）
Adam（结合Momentum和RMSProp，既能避免EMA问题，又能避免梯度为0进入鞍点。）
Ada系列集中在2014年左右被提出的。
实际应用
Adam 和 SGDM
训练acc
验证acc
一篇论文
结论：Flat Minimum和Sharp Minimum
- adam：训练更快，但是与测试gap大，不稳定；
- sgdm：更稳定，与测试gap小；
如何提高Adam？
经过1000步很小的gradients之后，遇到一个较大的gradient，但是受movement影响，只能移动很小的一步。也就是大量Non-informative梯度抑制了informative梯度。
从公式可以看出，一次更新的最大移动距离的上届就是(sqrt(1/(1-beta_2)))*eta
这篇文章提出记住历史最大的v_t，就可以避免non-informative gradients的影响了。
另一篇文章
如何提高SGDM？
lr太大或太小，都不如适中的时候好。LR Range Test
Adam需要warm up，否则前期的梯度会很乱。
warmup，前期走小步一点。
Variance大，则走小步；Variance小，则走大步。
通用的方法
再看Momentum
Adam in the future：Nadam
L2 regularization or weight decay？【SGDWM或AdamW（实际应用比较多）】
更多探索，效果更好
耐心教导模型