自Google提出Vision Transformer(ViT)以來，ViT漸漸成為許多視覺任務(wù)的默認(rèn)backbone。憑借著ViT結(jié)構(gòu)，許多視覺任務(wù)的SoTA都得到了進(jìn)一步提升，包括圖像分類、分割、檢測、識別等。

然而，訓(xùn)練ViT并非易事。除了需要較復(fù)雜的訓(xùn)練技巧，模型訓(xùn)練的計算量往往也較之前的CNN大很多。近日，新加坡Sea AI LAB (SAIL) 和北大ZERO Lab的研究團(tuán)隊共同提出新的深度模型優(yōu)化器Adan，該優(yōu)化器可以僅用一半的計算量就能完成ViT的訓(xùn)練。

此外，在計算量一樣的情況下， Adan在多個場景（涉及CV、NLP、RL）、多種訓(xùn)練方式（有監(jiān)督與自監(jiān)督）和多種網(wǎng)絡(luò)結(jié)構(gòu)/算法（Swin、ViT、ResNet、ConvNext、MAE、LSTM、BERT、Transformer-XL、PPO算法）上，均獲得了性能提升。

代碼、配置文件、訓(xùn)練log均已開源。

深度模型的訓(xùn)練范式與優(yōu)化器

隨著ViT的提出，深度模型的訓(xùn)練方式變得越來越復(fù)雜。常見的訓(xùn)練技巧包括復(fù)雜的數(shù)據(jù)增強（如MixUp、CutMix、AutoRand）、標(biāo)簽的處理（如label smoothing和noise label）、模型參數(shù)的移動平均、隨機網(wǎng)絡(luò)深度、dropout等。伴隨著這些技巧的混合運用，模型的泛化性與魯棒性均得到了提升，但是隨之而來的便是模型訓(xùn)練的計算量變得越來越大。

在ImageNet 1k上，訓(xùn)練epoch數(shù)從ResNet剛提出的90已經(jīng)增長到了訓(xùn)練ViT常用的300。甚至針對一些自監(jiān)督學(xué)習(xí)的模型，例如MAE、ViT，預(yù)訓(xùn)練的epoch數(shù)已經(jīng)達(dá)到了1.6k。訓(xùn)練epoch增加意味著訓(xùn)練時間極大的延長，急劇增加了學(xué)術(shù)研究或工業(yè)落地的成本。目前一個普遍的解決方案是增大訓(xùn)練的batch size并輔助并行訓(xùn)練以減少訓(xùn)練時間，但是伴隨的問題便是，大的batch size往往意味著performance的下降，并且batch size越大，情況越明顯。

這主要是因為模型參數(shù)的更新次數(shù)隨著batch size的增加在急劇減少。當(dāng)前的優(yōu)化器并不能在復(fù)雜的訓(xùn)練范式下以較少的更新次數(shù)實現(xiàn)對模型的快速訓(xùn)練，這進(jìn)一步加劇了模型訓(xùn)練epoch數(shù)的增長。

因此，是否存在一種新的優(yōu)化器能在較少的參數(shù)更新次數(shù)情況下更快更好地訓(xùn)練深度模型？在減少訓(xùn)練epoch數(shù)的同時，也能緩解batch size增加帶來的負(fù)面影響？

被忽略的沖量

要想加速優(yōu)化器的收斂速度，最直接的方法便是引入沖量。近年提出的深度模型優(yōu)化器均沿用著Adam中使用的沖量范式——重球法：

其中g(shù)_k是隨機噪聲，m_k是moment，eta是學(xué)習(xí)率。Adam將m_k的更新由累積形式換成了移動平均的形式，并引入二階moment（n_k）對學(xué)習(xí)率進(jìn)行放縮，即：

然而隨著Adam訓(xùn)練原始ViT失敗，它的改進(jìn)版本AdamW漸漸地變成了訓(xùn)練ViT甚至ConvNext的首選。但是AdamW并沒有改變Adam中的沖量范式，因此在當(dāng)batch size超過4,096的時候，AdamW訓(xùn)練出的ViT的性能會急劇下降。

在傳統(tǒng)凸優(yōu)化領(lǐng)域，有一個與重球法齊名的沖量技巧——Nesterov沖量算法：

Nesterov沖量算法在光滑且一般凸的問題上，擁有比重球法更快的理論收斂速度，并且理論上也能承受更大的batch size。同重球法不同的是，Nesterov算法不在當(dāng)前點計算梯度，而是利用沖量找到一個外推點，在該點算完梯度以后再進(jìn)行沖量累積。

外推點能幫助Nesterov算法提前感知當(dāng)前點周圍的幾何信息。這種特性使得Nesterov沖量更加適合復(fù)雜的訓(xùn)練范式和模型結(jié)構(gòu)（如ViT），因為它并不是單純地依靠過去的沖量去繞開尖銳的局部極小點，而是通過提前觀察周圍的梯度，調(diào)整更新的方向。

盡管Nesterov沖量算法擁有一定的優(yōu)勢，但是在深度優(yōu)化器中，卻鮮有被應(yīng)用與探索。其中一個主要的原因就是Nesterov算法需要在外推點計算梯度，在當(dāng)前點更新，期間需要多次模型參數(shù)重載以及需要人為地在外推點進(jìn)行back-propagation (BP)。這些不便利性極大地限制了Nesterov沖量算法在深度模型優(yōu)化器中的應(yīng)用。

Adan優(yōu)化器

通過結(jié)合改寫的Nesterov沖量與自適應(yīng)優(yōu)化算法，并引入解耦的權(quán)重衰減，可以得到最終的Adan優(yōu)化器。利用外推點，Adan可以提前感知周圍的梯度信息，從而高效地逃離尖銳的局部極小區(qū)域，以增加模型的泛化性。

1) 自適應(yīng)的Nesterov沖量

為了解決Nesterov沖量算法中多次模型參數(shù)重載的問題，研究人員首先對Nesterov進(jìn)行改寫：

可以證明，改寫的Nesterov沖量算法與原算法等價，兩者的迭代點可以相互轉(zhuǎn)化，且最終的收斂點相同?？梢钥吹?，通過引入梯度的差分項，已經(jīng)可以避免手動的參數(shù)重載和人為地在外推點進(jìn)行BP。

將改寫的Nesterov沖量算法同自適應(yīng)類優(yōu)化器相結(jié)合——將m_k的更新由累積形式替換為移動平均形式，并使用二階moment對學(xué)習(xí)率進(jìn)行放縮：

至此已經(jīng)得到了Adan的算法的基礎(chǔ)版本。

2) 梯度差分的沖量

可以發(fā)現(xiàn)，m_k的更新將梯度與梯度的差分耦合在一起，但是在實際場景中，往往需要對物理意義不同的兩項進(jìn)行單獨處理，因此研究人員引入梯度差分的沖量v_k：

這里對梯度的沖量和其差分的沖量設(shè)置不同的沖量/平均系數(shù)。梯度差分項可以在相鄰梯度不一致的時候減緩優(yōu)化器的更新，反之，在梯度方向一致時，加速更新。

3) 解耦的權(quán)重衰減

對于帶L2權(quán)重正則的目標(biāo)函數(shù)，目前較流行的AdamW優(yōu)化器通過對L2正則與訓(xùn)練loss解耦，在ViT和ConvNext上獲得了較好的性能。但是AdamW所用的解耦方法偏向于啟發(fā)式，目前并不能得到其收斂的理論保證。

基于對L2正則解耦的思想，也給Adan引入解耦的權(quán)重衰減策略。目前Adan的每次迭代可以看成是在最小化優(yōu)化目標(biāo)F的某種一階近似：

由于F中的L2權(quán)重正則過于簡單且光滑性很好，以至于不需要對其進(jìn)行一階近似。因此，可以只對訓(xùn)練loss進(jìn)行一階近似而忽略L2權(quán)重正則，那么Adan的最后一步迭代將會變成：

有趣的是，可以發(fā)現(xiàn)AdamW的更新準(zhǔn)則是Adan更新準(zhǔn)則在學(xué)習(xí)率eta接近0時的一階近似。因此，可從proximal 算子的角度給Adan甚至AdamW給出合理的解釋而不是原來的啟發(fā)式改進(jìn)。

4) Adan優(yōu)化器

將2）和3）兩個改進(jìn)結(jié)合進(jìn)Adan的基礎(chǔ)版本，可以得到如下的Adan優(yōu)化器。

Adan結(jié)合了自適應(yīng)優(yōu)化器、Nesterov沖量以及解耦的權(quán)重衰減策略的優(yōu)點，能承受更大的學(xué)習(xí)率和batch size，以及可以實現(xiàn)對模型參數(shù)的動態(tài)L2正則。

5) 收斂性分析

這里跳過繁復(fù)的數(shù)學(xué)分析過程，只給出結(jié)論：

定理：在給定或未給定Hessian-smooth條件的兩種情況下，Adan優(yōu)化器的收斂速度在非凸隨機優(yōu)化問題上均能達(dá)到已知的理論下界，并且該結(jié)論在帶有解耦的權(quán)重衰減策略時仍然成立。

實驗結(jié)果

一、CV場景

1）有監(jiān)督學(xué)習(xí)——ViT模型

針對ViT模型，研究人員分別在ViT和Swin結(jié)構(gòu)上，測試了Adan的性能。

可以看到，例如在ViT-small、ViT-base、Swin-tiny以及Swin-base上，Adan僅僅消耗了一半的計算資源就獲得了同SoTA優(yōu)化器接近的結(jié)果，并且在同樣的計算量下，Adan在兩種ViT模型上均展現(xiàn)出較大的優(yōu)勢。

此外，也在大batch size下測試了Adan的性能：

可以看到，Adan在各種batch size下都表現(xiàn)得不錯，且相對于專為大batch size設(shè)計的優(yōu)化器（LAMB）也具有一定的優(yōu)勢。

2）有監(jiān)督學(xué)習(xí)——CNN模型

除了較難訓(xùn)練的ViT模型，研究人員也在尖銳局部極小點相對較少的CNN模型上也測試了Adan的性能——包括經(jīng)典的ResNet與較先進(jìn)的ConvNext。結(jié)果如下：

可以觀察到，不管是ResNet還是ConvNext，Adan均能在大約2/3訓(xùn)練epoch以內(nèi)獲得超越SoTA的性能。

3) 無監(jiān)督學(xué)習(xí)

在無監(jiān)督訓(xùn)練框架下，研究人員在最新提出的MAE上測試了Adan的表現(xiàn)。其結(jié)果如下：

同有監(jiān)督學(xué)習(xí)的結(jié)論一致，Adan僅消耗了一半的計算量就追平甚至超過了原來的SoTA優(yōu)化器，并且當(dāng)訓(xùn)練epoch越小，Adan的優(yōu)勢就越明顯。

二、NLP場景

1) 有監(jiān)督學(xué)習(xí)

在NLP的有監(jiān)督學(xué)習(xí)任務(wù)上，分別在經(jīng)典的LSTM以及先進(jìn)的Transformer-XL上觀察Adan的表現(xiàn)。

Adan在上述兩種網(wǎng)絡(luò)上，均表現(xiàn)出一致的優(yōu)越性。并且對于Transformer-XL，Adan在一半的訓(xùn)練步數(shù)內(nèi)就追平了默認(rèn)的Adam優(yōu)化器。

2) 無監(jiān)督學(xué)習(xí)

為了測試Adan在NLP場景下無監(jiān)督任務(wù)上的模型訓(xùn)練情況。研究人員從頭開始訓(xùn)練BERT：在經(jīng)過1000k的預(yù)訓(xùn)練迭代后，在GLUE數(shù)據(jù)集的7個子任務(wù)上測試經(jīng)過Adan訓(xùn)練的模型性能，結(jié)果如下：

Adan在所測試的7個詞句分類任務(wù)上均展現(xiàn)出較大的優(yōu)勢。值得一提的是，經(jīng)過Adan訓(xùn)練的BERT-base模型，在一些子任務(wù)上（例如RTE、CoLA以及SST-2）的結(jié)果甚至超過了Adam訓(xùn)練的BERT-large.

三、RL場景

研究人員將RL常用的PPO算法里的優(yōu)化器替換為了Adan，并在MuJoCo引擎中的4個游戲上測試了Adan的性能。在4個游戲中，用Adan作為網(wǎng)絡(luò)優(yōu)化器的PPO算法，總能獲得較高的reward。

Adan在RL的網(wǎng)絡(luò)訓(xùn)練中，也表現(xiàn)出較大的潛力。

結(jié)論與展望

Adan優(yōu)化器為目前的深度模型優(yōu)化器引入了新的沖量范式。在復(fù)雜的訓(xùn)練范式下以較少的更新次數(shù)實現(xiàn)對模型的快速訓(xùn)練。

實驗顯示，Adan僅需1/2-2/3的計算量就能追平現(xiàn)有的SoTA優(yōu)化器。

Adan在多個場景（涉及CV、NLP、RL）、多個訓(xùn)練方式（有監(jiān)督與自監(jiān)督）和多種網(wǎng)絡(luò)結(jié)構(gòu)（ViT、CNN、LSTM、Transformer等）上，均展現(xiàn)出較大的性能優(yōu)勢。此外，Adan優(yōu)化器的收斂速度在非凸隨機優(yōu)化上也已經(jīng)達(dá)到了理論下界。