梯度下降与优化器几何：Momentum、Adam 和 loss surface 轨迹
人工智能项目
梯度下降与优化器几何：Momentum、Adam 和 loss surface 轨迹
在二维二次函数上手算梯度下降前几步，比较 Momentum 和 Adam 的轨迹，并用代码生成 loss contour。
人工智能项目

梯度下降与优化器几何：Momentum、Adam 和 loss surface 轨迹

阅读信息

难度: 进阶 阅读时间: 13 分钟
  • Gradient Descent
  • Momentum
  • Adam
  • Loss Surface
打开知识图谱

优化器决定了模型参数如何沿着梯度方向移动。要真正理解梯度下降（Gradient Descent）、动量（Momentum）和 Adam，不要仅仅死记硬背它们的名字或公式，而是要观察它们在损失函数曲面（Loss Surface）上走出的轨迹。通过探索优化的几何学，我们可以理解为什么神经网络有时能高效训练，有时却会面临灾难性的失败。

这篇文章使用了一个二维二次函数来进行可视化分析。虽然起点和目标相同，但不同的优化器会因为对曲率、历史梯度和尺度的处理方式不同，从而走出截然不同的路线。我们将深入探讨这些算法背后的数学原理以及现实工程中的约束。

一、损失曲面的几何与病态曲率

在深度学习中，损失曲面极少是各向同性的（即完美的球形）。相反，它通常是高度病态的，充满了峡谷和狭长的山谷。让我们来看一个典型的用来演示这个问题的函数：

L(x, y) = 1/2 * (8x^2 + y^2) + 0.8xy
grad L = [8x + 0.8y, y + 0.8x]

这个函数的 Hessian 矩阵具有差异极大的特征值。该曲面在 x 方向非常陡峭（高曲率），而在 y 方向则较为平缓（低曲率）。这就造成了所谓的“病态曲率（Pathological Curvature）”问题。普通的梯度下降算法会在陡峭的峡谷两侧来回震荡，而在通向极小值的平缓谷底方向上进展极其缓慢。

梯度下降、Momentum 和 Adam 在二维二次函数上的轨迹
等高线越密集，loss 变化越快。由于对病态曲率的处理方式不同，不同优化器在同一曲面上的路径截然不同。

二、手算第一步梯度下降

从 (2.2, -2.0) 出发，梯度为：

grad = [8*2.2 + 0.8*(-2.0), -2.0 + 0.8*2.2]
     = [16.0, -0.24]

如果学习率是 0.08：

x_new = 2.2  - 0.08 * 16.0  = 0.92
y_new = -2.0 - 0.08 * -0.24 = -1.9808

与 y 方向相比，参数在 x 方向上迈出了一大步，这纯粹是因为 x 方向的梯度绝对值大得多。实验输出也印证了这一点：梯度下降第 1 步的坐标是 x=0.920000、y=-1.980800，loss 从 17.840000 降到了 3.889516。然而，如果学习率稍微再大一点，x 方向的步长就会跨过山谷的另一端，导致发散。

三、Momentum 和 Adam 在改什么

普通梯度下降是没有记忆的；它只看当前的梯度。这正是导致上述震荡的原因。

动量（Momentum） 引入了速度变量，把过去的梯度方向累积起来。想象一个沉重的球滚下山坡。在陡峭的 x 方向上，交替正负的梯度会相互抵消；而在平缓的 y 方向上，方向一致的梯度不断累加，从而加速优化器冲向极小值。

v_t = beta * v_{t-1} + grad_t
theta_t = theta_{t-1} - lr * v_t

Adam（Adaptive Moment Estimation） 则更进一步，它同时维护梯度的一阶矩（均值）和二阶矩（未中心化的方差）。它能够为每一个参数单独动态缩放学习率。通过除以累积梯度平方的平方根，Adam 归一化了步长。它本质上是强迫优化器在平缓的方向迈大步，在陡峭的方向迈小步。

m_t = beta1 * m_{t-1} + (1-beta1) * grad_t
v_t = beta2 * v_{t-1} + (1-beta2) * grad_t^2
theta_t = theta_{t-1} - lr * m_hat / (sqrt(v_hat) + eps)

四、优化器决策流程图解

我们该如何决定使用哪种优化器？下面的图表直观地展示了这些优化算法的架构流程。


graph TD
    A[计算当前梯度] --> B{是否需要历史信息?}
    B -->|否| C[普通 SGD]
    B -->|是| D{是否需要自适应缩放?}
    D -->|否| E[带 Momentum 的 SGD]
    D -->|是| F[计算一阶和二阶矩]
    F --> G[偏差修正]
    G --> H[Adam / AdamW]
    C --> I[应用参数更新]
    E --> I
    H --> I

五、核心代码实践与实现

为了真正掌握这些算法，我们应该从零开始构建它们。以下是使用 NumPy 在我们的二次曲面上对比 SGD、Momentum 和 Adam 的核心实现。

import numpy as np

def grad(theta):
    x, y = theta
    return np.array([8.0 * x + 0.8 * y, y + 0.8 * x])

def run_optimizer(optimizer_name, theta_init, lr=0.08, steps=50):
    theta = np.array(theta_init)
    
    # 初始化优化器状态
    v = np.zeros_like(theta)
    m = np.zeros_like(theta)
    beta1, beta2, eps = 0.9, 0.999, 1e-8
    
    trajectory = [theta.copy()]
    
    for t in range(1, steps + 1):
        g = grad(theta)
        
        if optimizer_name == 'SGD':
            theta -= lr * g
            
        elif optimizer_name == 'Momentum':
            v = 0.9 * v + lr * g
            theta -= v
            
        elif optimizer_name == 'Adam':
            m = beta1 * m + (1 - beta1) * g
            v = beta2 * v + (1 - beta2) * (g ** 2)
            
            # 偏差修正
            m_hat = m / (1 - beta1 ** t)
            v_hat = v / (1 - beta2 ** t)
            
            theta -= lr * m_hat / (np.sqrt(v_hat) + eps)
            
        trajectory.append(theta.copy())
        
    return np.array(trajectory)

# 从起点运行测试
traj_sgd = run_optimizer('SGD', [2.2, -2.0])
traj_adam = run_optimizer('Adam', [2.2, -2.0], lr=0.5)
print(f"Adam 最终位置: {traj_adam[-1]}")

六、动画看什么

动画对比普通梯度下降、Momentum 和 Adam 在同一 loss surface 上的路径。

重点看两点：陡峭方向上是否震荡，平缓方向上是否前进太慢。注意 Momentum 是如何像钟摆一样大幅度摇摆才最终稳定下来的，而 Adam 则是切出了一条更加直接、可控的路径，完美适应了不断变化的曲率。

七、个人经验与工程师视角

在工程实践中，优化器优雅的数学原理往往会撞上残酷的硬件和系统现实。以下是我在训练大模型时积累的一些经验：

  • 显存（Memory）瓶颈： Adam 效果极好，但极其消耗显存。普通的 SGD 只需要为参数和梯度分配显存。而 Adam 还需要存储梯度的滑动平均（一阶矩）和梯度平方的滑动平均（二阶矩）。这使得优化器状态的显存占用直接翻了三倍。在显存受限的 GPU 上训练大型 LLM 时，这往往成为最大瓶颈，迫使工程师转向 Adafactor 或 8-bit Adam 等显存友好型变体。
  • 权重衰减（Weight Decay）的陷阱： Adam 和 AdamW 之间有着臭名昭著的区别。标准的 Adam 在自适应缩放之前对梯度应用 L2 正则化。这无意中削弱了对梯度方差较大的权重的惩罚力度，违背了权重衰减的初衷。对于 Transformer 架构，一定要使用 AdamW，它将权重衰减与梯度更新步骤完全解耦。
  • Adam 必须配合 Warmup 使用： 因为 Adam 使用了滑动平均，方差项（二阶矩）初始为零，在最初的几步中可能会极其不准确，导致出现极其巨大且破坏性的更新。引入学习率预热（Warmup，即让学习率从接近零开始，在几千步内逐渐攀升）可以防止模型在训练初期直接崩溃。

八、实践建议

  • 先画训练 loss 和验证 loss，再判断是否需要换优化器。很多训练问题其实是优化路径不稳定，而不是模型结构错了。
  • 学习率通常比优化器的名称更关键。一个经过精心调参的带 Momentum 的 SGD，其泛化能力通常能媲美甚至超越 Adam，尤其是在计算机视觉领域（如 ResNet）。
  • Adam 并非万能药，过大的学习率仍然会导致它发散。
  • 遇到 loss 曲线抖动时，先尝试降低学习率或加 warmup。

九、优化轨迹审计表

优化器实验不能只报告最终 loss。为了判断路径是否可信，应该同时记录坐标、梯度、状态变量和失败模式。下面的审计表可以帮助读者把“看起来收敛了”拆成可复核的数值证据。

审计项 应记录的值 能回答的问题
初始条件 起点、学习率、步数、优化器超参数。 不同曲线是否在同一条件下比较？
逐步轨迹 x、y、loss、梯度向量和步长。 路径是在下降，还是在峡谷两侧震荡？
状态变量 Momentum 的 v，Adam 的 m、v 和 bias correction。 历史梯度和自适应缩放是否真的改变了路径？
失败模式 发散步、震荡区间、过大 warmup 前更新和最终距离。 失败来自学习率、曲率、初始化还是优化器状态？

下一篇进入卷积层，看看二维局部连接如何变成矩阵计算。

内部链接

相关阅读

补基础 反向传播计算图：两层 MLP 的前向、局部梯度和反向传播

把两层 MLP 拆成计算图，手算 ReLU、softmax cross-entropy、dW2、dW1，并用 NumPy 复现实验结果。

 继续下一篇 卷积与感受野数学：5×5 输入、3×3 kernel、padding 和 im2col

手算一次 5x5 输入与 3x3 kernel 的离散卷积，解释输出尺寸、padding、stride、感受野和 im2col。

 学习路线 AI 学习路线

按顺序阅读 AI 基础、机器学习、CNN、流量防御和 AI 安全内容。

 配套资源 资源库

下载文章配套代码、数据集、图示、模型文件和说明。

 专题页 学生 AI 项目

把手写数字、浏览器实验台和 CNN 项目串成作品集路线。

搜索问题

常见问题

这篇文章适合谁读？

这篇文章适合想用 进阶 难度理解“梯度下降与优化器几何：Momentum、Adam 和 loss surface 轨迹”的读者，预计阅读时间约 13 分钟，重点覆盖 Gradient Descent, Momentum, Adam, Loss Surface。

读完后下一步应该看什么？

推荐下一步阅读“卷积与感受野数学：5×5 输入、3×3 kernel、padding 和 im2col”，这样可以把当前知识点接到更完整的学习路线里。

这篇文章有没有可运行代码或配套资源？

有。页面里的运行说明、资源卡片和下载入口会指向复现实验所需的命令、数据、代码或说明文件。

这篇文章和整个网站的学习路线有什么关系？

它会通过文章上下文、学习路线、资源库和项目时间线连接到同一主题下的其他内容。

文章上下文

人工智能项目

从 AI、机器学习、训练评估、神经网络到 Python 小实战、手写数字识别、CIFAR-10 CNN、对抗性流量防御和 AI 安全攻防，按顺序建立基础。

难度: 进阶 阅读时间: 13 分钟
  • Gradient Descent
  • Momentum
  • Adam
  • Loss Surface

继续下一步

继续：卷积与感受野数学
先补基础 打开资源
对应语言版本 Gradient Descent and Optimizer Geometry: Momentum, Adam, and Loss Surfaces
可分享摘要 梯度下降与优化器几何：Momentum、Adam 和 loss surface 轨迹

在二维二次函数上手算梯度下降前几步，比较 Momentum 和 Adam 的轨迹，并用代码生成 loss contour。

下载分享图 打开分享中心

配套资源

发表回复

项目时间线

已发布文章

  1. 人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习 面向有编程基础的读者，梳理 AI、机器学习、深度学习的关系，并给出可执行的人工智能基础学习路线。
  2. 机器学习完整流程：从数据、特征到模型预测 从工程视角拆解机器学习完整流程：定义问题、理解数据、处理特征、训练模型、预测和评估。
  3. 机器学习算法怎么选：分类、回归、聚类和推荐场景对照表 用任务类型、数据规模、解释性和部署成本选择机器学习算法，覆盖逻辑回归、决策树、随机森林、K-means 和表格数据基线模型。
  4. 特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化 用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。
  5. 模型训练与评估入门：损失函数、过拟合和准确率怎么理解 讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。
  6. 过拟合和欠拟合怎么解决：机器学习模型调优实战指南 用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。
  7. 神经网络基础：从感知机到多层网络 从一个神经元讲起，解释权重、偏置、激活函数、前向传播、反向传播和典型神经网络训练循环。
  8. 神经网络矩阵微积分：从 y = Wx + b 推导 MSE 梯度 用手算、矩阵形状图、NumPy 代码和梯度检查解释 y = Wx + b 下 dL/dW = (ŷ - y)x^T 的来源。
  9. 反向传播计算图：两层 MLP 的前向、局部梯度和反向传播 把两层 MLP 拆成计算图，手算 ReLU、softmax cross-entropy、dW2、dW1，并用 NumPy 复现实验结果。
  10. 梯度下降与优化器几何：Momentum、Adam 和 loss surface 轨迹 在二维二次函数上手算梯度下降前几步，比较 Momentum 和 Adam 的轨迹，并用代码生成 loss contour。
  11. 卷积与感受野数学：5×5 输入、3×3 kernel、padding 和 im2col 手算一次 5x5 输入与 3x3 kernel 的离散卷积，解释输出尺寸、padding、stride、感受野和 im2col。
  12. Transformer Attention 数学：Q/K/V、Softmax 权重、Mask 与 KV Cache 用 3 个 token 手算 scaled dot-product attention，解释 Q/K/V、softmax、mask、多头注意力和 KV cache。
  13. Python 人工智能小实战：用 scikit-learn 完成一个分类任务 使用 scikit-learn 内置教学数据集跑通一个分类任务，覆盖数据加载、拆分、标准化、训练、预测、评估和实验记录。
  14. 手写数字识别项目入门：先读懂 train.csv、test.csv 和标签结构 从项目文件结构入手，读懂手写数字训练集、测试集、标签列和 784 维像素输入，为后续 C 分类器和实验台打基础。
  15. 用 C 实现手写数字 Softmax 分类器：从 784 维像素到 submission.csv 结合当前项目源码，讲清楚 softmax 多分类、损失函数、梯度更新、混淆矩阵输出，以及 submission.csv 的生成过程。
  16. 手写数字实验记录：怎么把离线分类项目接进浏览器实验台 解释浏览器实验台为什么采用轻量预训练模型、它和离线 C 项目的关系，以及如何用样本浏览和手绘输入理解预测结果。
  17. CIFAR-10 Tiny CNN 教程：用 C 语言实现小型卷积神经网络图像分类 用单文件 C 程序完成 CIFAR-10 小型 CNN 图像分类，讲解数据格式、网络结构、训练命令、loss、accuracy、常见错误和改进方向。
  18. 构建高熵流量防御：基于 Python 的连接层白噪声混淆与对抗性机器学习实践 以 mld_chaffing_v2.py 虚幻镜项目为例，讲解加密元数据泄漏、信息熵、分布距离、混淆矩阵、空闲窗口微脉冲和性能测试取舍。
  19. AI 安全威胁建模：用 NIST AML、MITRE ATLAS 和 OWASP 建立攻防地图 用 NIST Adversarial ML、MITRE ATLAS 和 OWASP LLM Top 10 建立 AI 安全威胁模型，覆盖资产、攻击面、证据和剩余风险。
  20. 对抗样本与鲁棒评估：从 FGSM 公式到 scikit-learn 数字分类实验 从 FGSM 公式解释对抗样本，用 scikit-learn digits toy 实验评估 clean accuracy、perturbed accuracy 和扰动预算。
  21. 数据投毒与后门攻击防御：污染率、触发器和训练管线隔离 用 toy digits 实验解释数据投毒、后门触发器、attack success rate、数据来源审计和训练管线隔离。
  22. 模型隐私与模型窃取风险：成员推断、模型抽取和输出接口防护 用本地 toy 实验解释成员推断、模型抽取、membership AUC、surrogate fidelity、输出最小化和查询治理。
  23. LLM/RAG/Agent 安全：Prompt Injection、工具权限和边界感知防护 从 RAG 和 Agent 架构解释 prompt injection、外部数据降权、工具 allowlist、人工审批和边界感知防护。

已公开资源

  1. Python AI 小实战代码说明 文章内包含可直接复制运行的 scikit-learn 分类脚本。
  2. digit_softmax_classifier.c 手写数字 softmax 分类器的 C 语言源码。
  3. train.csv.zip 手写数字训练集压缩包，包含 42000 条带标签样本。
  4. test.csv.zip 手写数字测试集压缩包，包含 28000 条待预测样本。
  5. sample_submission.csv 官方提交格式示例，可直接对照最终输出字段。
  6. submission.csv 当前 C 项目跑出的预测结果文件。
  7. digit-playground-model.json 浏览器实验台使用的轻量 softmax 演示模型与样本。
  8. digit-sample-grid.svg 从训练集中抽取的小型手写数字预览网格。
  9. 手写数字项目打包下载 包含源码、压缩数据、提交文件、浏览器模型和样本预览图。
  10. cifar10_tiny_cnn.c 源码 单文件 C 语言 tiny CNN，包含 CIFAR-10 读取、卷积、池化、softmax 和反向传播。
  11. model_weights.bin 样例权重 一次本地小样本运行生成的模型权重文件。
  12. test_predictions.csv 预测样例 CIFAR-10 tiny CNN 输出的测试预测样例。
  13. CNN 项目说明 PDF 配套 CNN 项目说明材料。
  14. 虚幻镜脱敏代码骨架 去除控制口令、真实节点和目标列表后的 mld_chaffing_v2.py 控制流程说明。
  15. 虚幻镜压力测试记录模板 用于记录 CPU、内存、线程峰值、微脉冲速率、延迟和错误数的脱敏 CSV 模板。
  16. 虚幻镜分类器评估模板 用于记录 TP、FN、FP、TN、accuracy、precision、recall、F1、ROC-AUC、熵和 JS 散度的 CSV 模板。
  17. 虚幻镜资源说明 说明公开资源为何只提供脱敏代码、测试模板和架构笔记。
  18. AI Security Lab 说明 说明 AI 安全攻防系列的安全边界、安装命令和 quick-run 实验。
  19. AI Security Lab 完整实验包 包含安全 toy scripts、结果 CSV、风险登记表、攻防矩阵和架构图。
  20. AI 安全风险登记表 面向 AI 威胁建模和上线评审的 CSV 风险登记模板。
  21. AI 攻防矩阵 把攻击面、toy demo、指标和防护控制映射到一张 CSV 表。
  22. AI Security Lab 架构图 展示威胁建模、鲁棒评估、数据完整性、模型隐私和 RAG 防护之间的关系。
  23. FGSM digits 鲁棒评估脚本 本地 digits 分类器的 FGSM-style 扰动和准确率下降实验。
  24. 数据投毒与后门 toy 脚本 用 digits 数据演示污染率、触发器和 attack success rate。
  25. 模型隐私与抽取 toy 脚本 输出 membership AUC、target accuracy、surrogate fidelity 和 surrogate accuracy。
  26. RAG prompt injection guard toy 脚本 用确定性 toy agent 演示外部数据降权和工具权限阻断。
  27. Deep Learning Math Lab 说明 包含安装命令、脚本入口、输出结果和文章图示生成说明。
  28. 深度学习数学完整实验包 打包 NumPy 脚本、CSV 结果、公式图、loss contour、卷积图和 attention 热图。
  29. 梯度检查结果 CSV 保存 MSE 梯度解析值、数值差分值和误差范数。
  30. 优化器轨迹 CSV 记录梯度下降、Momentum 和 Adam 在二维二次函数上的逐步坐标与 loss。
  31. Attention 权重 CSV 三 token scaled dot-product attention 的 scores、softmax weights 和 context 输出。
  32. 深度学习数学图示目录 包含矩阵形状、计算图、loss contour、卷积扫描和 attention heatmap。
  33. 深度学习数学交互演示 在浏览器里调梯度检查、优化轨迹、卷积输出尺寸和 attention 权重热图。
  34. 深度学习专题分享图 用于分享深度学习 / CNN 专题页的 1200x630 SVG 图。
  35. 从零实现机器学习分享图 用于分享 K-means、Iris 和机器学习流程专题页的 1200x630 SVG 图。
  36. 学生 AI 项目分享图 用于分享手写数字、C 分类器和浏览器实验台专题页的 1200x630 SVG 图。
  37. CNN 卷积扫描动画 Remotion 生成的 8 秒短动画，展示 3x3 卷积核如何扫描输入并形成特征图。

当前学习路线

  1. 人工智能基础学习路线 学习路线节点
  2. 机器学习完整流程 学习路线节点
  3. 机器学习算法怎么选 学习路线节点
  4. 特征工程入门实战 学习路线节点
  5. 模型训练与评估入门 学习路线节点
  6. 过拟合和欠拟合怎么解决 学习路线节点
  7. 神经网络基础 学习路线节点
  8. 神经网络矩阵微积分 学习路线节点
  9. 反向传播计算图 学习路线节点
  10. 梯度下降与优化器几何 学习路线节点
  11. 卷积与感受野数学 学习路线节点
  12. Transformer Attention 数学 学习路线节点
  13. LLM 可视化教学台 学习路线节点
  14. Python 人工智能小实战 学习路线节点
  15. 手写数字数据结构入门 学习路线节点
  16. 用 C 实现手写数字 Softmax 分类器 学习路线节点
  17. 手写数字实验台说明 学习路线节点
  18. CIFAR-10 Tiny CNN 教程 学习路线节点
  19. 高熵流量防御实验 学习路线节点
  20. AI 安全威胁建模 学习路线节点
  21. 对抗样本与鲁棒评估 学习路线节点
  22. 数据投毒与后门防御 学习路线节点
  23. 模型隐私与模型抽取防护 学习路线节点
  24. LLM/RAG/Agent 安全 学习路线节点

下一步计划

  1. 补充更多图像分类和误差分析案例
  2. 把常见指标整理成速查表
  3. 继续补充 AI 安全防御实验记录
向下探索