在一道笔试题中，作者遇到了这样一道题：
下面哪种方法对超参数不敏感：
1、SGD
2、BGD
3、Adadelta
4、Momentum
神经网络经典五大超参数:
学习率(Learning Rate)、权值初始化(Weight Initialization)、网络层数(Layers)
单层神经元数(Units)、正则惩罚项（Regularizer|Normalization)
显然在这里超参数指的是事先指定的learningrate，而对超参数不敏感的梯度算法是Adadelta，牛顿法。
现在开始具体讨论一下几种常见的梯度优化算法。
1、BGD批量梯度下降法：
是指每一次反向传播中都将全部的样本进行处理计算梯度，更新权重。缺点是这样的方法造成处理数据量大，收敛慢；另外在数据量很大的时候，内存的要求很高。
我们假设损失函数J（θ）的计算方法是最小二乘法，变量为θ（θ即在机器学习训练中的权值w，通过不断对其的更新修改使得最后求得的损失极小），在样本为xi时，目标值为yi，经过计算求得的目标值为hθ（xi），则J（θ）的表达式可以写为：
为了得到J（θ）的最小值，对其求以θ为变量的偏导：
该值即为梯度值，已知梯度，θ值即可以更新为：
这里的γ值则表示向梯度下降的方向前进多少，即学习速率。
可以看出，每次求解梯度值对θ进行更新时，都需要对每个样本进行计算，这样的计算量大，计算速度也很慢。
故梯度下降算法可以简单表示：
2、SGD最速下降法（随机梯度下降法）：
是指采用随机采用的方法，每次使用一个样本数据进行计算梯度。优点是，开始收敛速度快；缺点是一个样本往往不会一直向着整体样本的梯度方向，这样算法后期会有变慢。
随机梯度下降法可以解决批量梯度下降法的计算量过大的问题，每次求梯度只随机取一个样本进行计算。
仍旧假设使用最小二乘法来求损失函数，那么有：
继续对θ求偏导来求梯度值：
根据梯度值更新θ的值：
这样采用一个样本的梯度来作为整体梯度值的方法虽然速度比较快，但是一个样本的梯度不一定会和整体的收敛方向一致，会有误差的发生。
为了解决这个问题，可以每次采用少量的样本（如10个）来进行梯度求解，这样迭代速度既快，又不至于梯度与整体的收敛方向差别太大，这样的方法叫做小批量梯度下降法。
3、Adadelta自适应学习率调整：
在介绍Adadelta之前需要先了解Adagrad，
Adadelta的特点是在下降初期，梯度比较小，这时学习率会比较大，而到了中后期，接近最低点时，梯度较大，这时学习率也会相对减小，放慢速度，以便可以迭代到最低点。
假设梯度为gt，那么在使用Adagrad时并非直接减去gt*γ，而是先对学习率进行一个处理：
即把所有的梯度的平方根，作为一个正则化约束项，加上ε的作用是为了避免分母为0。
缺点：
由公式可以看出，仍依赖于人工设置一个全局学习率
设置过大的话，会使regularizer过于敏感，对梯度的调节太大
中后期，分母上梯度平方的累加将会越来越大，使
，使得训练提前结束
Adadelta是对Adagrad的扩展，最初方案依然是对学习率进行自适应约束，但是进行了计算上的简化。Adagrad会累加之前所有的梯度平方，而Adadelta只累加固定大小的项，并且也不直接存储这些项，仅仅是近似计算对应的平均值。即：
在此处Adadelta其实还是依赖于全局学习率的，但是做了一定处理后，经过近似牛顿迭代法之后：
其中，
代表求期望。
此时，可以看出Adadelta已经不用依赖于全局学习率了。
特点：
训练初中期，加速效果不错，很快
训练后期，反复在局部最小值附近抖动
4、Momentum冲量法：
梯度下降法在求解时的难题主要在于解决极小值和鞍点的问题，为了解决这个问题，可以模拟在现实中的惯性。物体有一个初始动量，在平缓的区域或者小的坑里也能继续向前运动试图滚出小坑，在动量变为0的时候停止，表示已经达到最低点。
简单表示冲量法对梯度的作用，设初始点为
，以及初始的动量为
：
在简单的梯度下降算法的基础上，代表上一时刻的动量的项v被加入进来，并且每一次都会乘上一个衰减系数
，该系数可以类比于物理运动中摩擦的存在，前一次的迭代位置方向可以影响到下一次迭代。直到动量小于某个值，或者梯度小于一个值，或者迭代到了一定的次数。
5、NGA算法：
NGA算法是一个对冲量算法的改进算法，其求梯度并非求解当前位置的梯度，而是应该 求解下一个时刻的梯度：
相当于一般的冲量算法是根据当前的梯度决定运动方向。而NGA算法则相当于看一下前方的梯度，再决定运动方向。
6、牛顿法：
之前有写过牛顿法，但是在这里再简单总结一下，以方便和其他几种方法作比较。
在介绍牛顿法之前，先介绍一点用于数值计算的牛顿-拉普森算法（NR）：
NR算法是用来寻找实值方程的近似解的一种数值算法，已知初始点为
，方程f(x)，简单表示为：
也就是说，牛顿法其实就是给函数在当前位置做一个一阶展开，即每次迭代的x的变化量都为当前位置的斜率。
牛顿法：
对于凸函数（下图左），凸函数的导数曲线如下（右），找到其极值的位置就相当于找到其
的所在位置，此时凸函数的斜率为0，已经达到极小值。
这时将牛顿-拉普森算法套用到
上即可。故可以将牛顿法简单表示为：
这种方法是求解一维的极值，扩展到高维的情况下的算法如下：
其中
为二阶偏导矩阵，又称海森矩阵
Hf(x)= 