Levenberg-Marquardt又称莱文伯格－马夸特方法（Levenberg–Marquardt algorithm）能提供数非线性最小化（局部最小）的数值解。
此算法能借由执行时修改参数达到结合高斯-牛顿算法以及梯度下降法的优点，并对两者之不足作改善（比如高斯-牛顿算法之逆矩阵不存在或是初始值离局部极小值太远）。
为什么现在的神经网络训练很少用到Levenberg Marquardt算法？（来自知乎）
现在的神经网络Adam算法用的非常多，LM算法和Adam算法在性能上有什么区别？为什么在LM算法只在工程相关的文献用的比较多？
我看到的一些文献里几乎都是采用Levenberg-Marquardt算法训练NN。。。（土木领域）
蔡善清
Google Brain软件工程师
Levenberg-Marquardt算法是用来解决最小二乘(least square)问题的，但是当代神经网络里的很多常用的损失函数，比如cross entropy, 都不是二乘问题。
Levenberg Marquardt 是在矩阵的对角线上加一个weight，来解决least square 或者newton methods的时候矩阵不可逆问题的。LM针对的问题大多都是凸问题。
而神经网络是用来解决非凸问题的（也可以解决凸问题，但这就等同于拿大炮轰蚊子，还轰不准），Adam是一个optimizer，迭代优化权重的。
LM和Adam两者本身没有可比性，就像丰田车和本田发动机一样，不是一类东西。