梯度下降是一种寻找函数极小值的优化方法，在深度学习模型中常常用来在反向传播过程中更新神经网络的权值。
梯度下降法优化器对梯度部分使用的是指数移动平均值（EMA），对学习率部分使用均方根（RMS）。
为什么要对梯度取指数移动平均?
我们需要使用一些数值来更新权重。我们唯一有的数值呢就是当前梯度，所以让我们利用它来更新权重。
但仅取当前梯度值是不够好的。我们希望我们的更新是（对模型来说，是）“更好的指导”。让我们考虑（每次更新中）包括之前的梯度值。
将当前梯度值和过去梯度信息的结合起来一种方法是，我们可以对过去和现在的所有梯度进行简单的平均。但这意味着每个梯度的权重是相等的。这样做是反直觉的，因为在空间上，如果我们正在接近最小值，那么最近的梯度值可能会提供更有效的信息。
因此，最安全的方法是采用指数移动平均法，其中最近的梯度值的权重(重要性)比前面的值高。
为什么要把学习速率除以梯度的均方根呢？
这个目的是为了调整学习的速率。调整为了适应什么？答案是梯度。我们需要确保的是，当梯度较大时，我们希望更新适当缩小(否则，一个巨大的值将减去当前的权重!)
为了到达这种效果,让我们学习率α除以当前梯度得到一个调整学习速率。请记住，学习率成分必须始终是正的(因为学习率成分，当乘以梯度成分，后者应该有相同的符号）。为了确保它总是正的，我们可以取它的绝对值或者它的平方。当我们取当前梯度的平方，可以再取平方根"取消"这个平方。
但是就像动量的思路一样，仅仅采用当前的梯度值是不够好的。我们希望我们的训练中的（每次）更新update都能更好的指导（模型）。因此，我们也需要使用之前的梯度值。正如上面所讨论的，我们取过去梯度的指数移动平均值(‘mean
square’) ，然后取其平方根(‘root’) ，也就是’均方根’（RMS）。除了 AdaGrad
(采用累积的平方梯度之和)之外，本文中所有的优化器都会对学习速率部分进行优化。