2nd/10_Wiki/Topics/Topic_Programming/AI_and_ML/Momentum-and-Optimization.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	tech_stack
wiki-2026-0508-momentum-and-optimization	Momentum and Optimization	10_Wiki/Topics	verified	self	Optimizers SGD momentum Adam AdamW Lion Nesterov	none	A	0.95	applied	optimization deep-learning adam lion sgd training		2026-05-10	pending	language framework python pytorch

Momentum and Optimization

매 한 줄

Momentum은 gradient에 관성(velocity)을 부여해 SGD의 수렴 속도와 안정성을 개선하는 1차 최적화의 핵심 트릭이며, 이를 진화시킨 Adam/AdamW/Lion이 2026년 LLM·비전 학습 표준이다.

매 핵심

1. Vanilla SGD vs Momentum

SGD:        θ ← θ - η · ∇L(θ)
Momentum:   v ← μ · v + ∇L(θ);  θ ← θ - η · v   (μ ≈ 0.9)

• 관성 계수 μ ≈ 0.9 — 직전 gradient의 90% 누적.
• ravine(좁은 골짜기)에서 SGD는 진동, momentum은 직진.

2. Nesterov Accelerated Gradient (NAG)

v ← μ · v + ∇L(θ - η · μ · v)   ← look-ahead gradient
θ ← θ - η · v

• 이론적 convergence O(1/k²) (Nesterov 1983), volatile loss에서 momentum보다 안정.

3. Adaptive: Adam (Kingma 2014)

• 1차 모멘트 m, 2차 모멘트 v 모두 EMA.
• bias correction 후 θ ← θ - η · m̂ / (√v̂ + ε).
• 기본 hyperparam: lr=1e-3, β₁=0.9, β₂=0.999, ε=1e-8.

4. AdamW (Loshchilov 2017) — 표준

• weight decay를 gradient에서 분리 (decoupled).
• LLM/Transformer 학습에서 사실상 default. lr=1e-43e-4, wd=0.010.1.

5. Lion (Chen et al., Google 2023)

• sign-based update: θ ← θ - η · sign(β₁·m + (1-β₁)·g).
• 메모리 50% 절감 (1차 모멘트만), AdamW 대비 lr 10× 작게(1e-4 → 1e-5).
• 대규모 비전(ViT-G) / LLM 미세조정에서 동등 또는 우수 성능.

6. 2026 best practices

• LLM pretrain: AdamW, β₂=0.95, cosine LR with warmup, gradient clipping 1.0.
• LLM finetune: AdamW lr=2e-5 또는 Lion lr=2e-6.
• Vision (ViT): AdamW or Lion, weight decay 0.05.
• Diffusion: AdamW lr=1e-4, EMA on weights.
• Sophia / Shampoo: 2차 정보 활용, 일부 frontier lab에서 채택 — wall-clock 1.5-2× 개선 보고.

💻 패턴

# 1. SGD with momentum (PyTorch)
import torch
opt = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.9, nesterov=True)

# 2. AdamW — LLM finetune 표준
opt = torch.optim.AdamW(
    model.parameters(),
    lr=2e-5, betas=(0.9, 0.95), weight_decay=0.01, eps=1e-8,
)

# 3. Lion (lion-pytorch 패키지)
from lion_pytorch import Lion
opt = Lion(model.parameters(), lr=1e-5, weight_decay=0.1)  # AdamW lr / 10

# 4. Cosine schedule with warmup
from torch.optim.lr_scheduler import LambdaLR
import math

def warmup_cosine(step, warmup, total):
    if step < warmup:
        return step / warmup
    p = (step - warmup) / (total - warmup)
    return 0.5 * (1 + math.cos(math.pi * p))

sched = LambdaLR(opt, lr_lambda=lambda s: warmup_cosine(s, 2000, 100_000))

# 5. Gradient clipping
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
opt.step()

# 6. Manual momentum (educational)
velocity = {p: torch.zeros_like(p) for p in model.parameters()}
mu, lr = 0.9, 0.01
for p in model.parameters():
    velocity[p].mul_(mu).add_(p.grad)
    p.data.add_(velocity[p], alpha=-lr)

# 7. EMA on model weights (diffusion 표준)
class EMA:
    def __init__(self, model, decay=0.999):
        self.shadow = {n: p.clone().detach() for n, p in model.named_parameters()}
        self.decay = decay
    def update(self, model):
        for n, p in model.named_parameters():
            self.shadow[n].mul_(self.decay).add_(p.data, alpha=1-self.decay)

# 8. Param-group: no weight decay on bias/LN
no_decay = ["bias", "LayerNorm.weight"]
groups = [
    {"params": [p for n, p in model.named_parameters() if not any(nd in n for nd in no_decay)], "weight_decay": 0.01},
    {"params": [p for n, p in model.named_parameters() if any(nd in n for nd in no_decay)], "weight_decay": 0.0},
]
opt = torch.optim.AdamW(groups, lr=2e-5)

# 9. fused / 8-bit optimizer (메모리 절감)
import bitsandbytes as bnb
opt = bnb.optim.AdamW8bit(model.parameters(), lr=2e-5)  # 메모리 75% 절감

# 10. Sophia (2차 근사, 일부 lab)
# from sophia import SophiaG
# opt = SophiaG(model.parameters(), lr=3e-4, betas=(0.965, 0.99), rho=0.04)

매 결정 기준

상황	추천 옵티마이저	비고
LLM pretrain	AdamW (β₂=0.95)	표준
LLM finetune	AdamW or Lion	Lion: lr=AdamW/10, wd=AdamW×3
ViT / 큰 비전 모델	AdamW or Lion	Lion 메모리 우위
Diffusion	AdamW + EMA	EMA 필수
Sparse embedding	SparseAdam	RecSys
메모리 부족	AdamW8bit (bitsandbytes)	75% 절감
RL policy gradient	Adam (낮은 β₂=0.9)	노이즈 환경
단순 CNN/from scratch	SGD+momentum 0.9	잘 일반화

🔗 Graph

• 부모: Gradient Descent
• Adjacent: Gradient Clipping, Weight Decay

🤖 LLM 활용

• "AdamW와 Lion의 학습 곡선을 비교해서 어느 게 stable한지 분석" — wandb log dump.
• LLM에 hyperparameter sweep 결과 요약 요청.
• "이 loss curve가 발산 중인데 lr / clipping / momentum 중 무엇을 조정?" — diagnostic.

❌ 안티패턴

• Adam에 weight decay를 L2로 추가: Adam은 v로 나누므로 의도와 다른 효과 → AdamW 사용.
• lr 그대로 Lion 채택: Lion은 sign-based, AdamW lr / 10 ~ / 5.
• β₂=0.999 LLM에: long sequence + 큰 gradient → β₂=0.95 권장.
• Warmup 없이 Adam 시작: 초기 v 추정 불안정 → divergence.
• EMA 없이 diffusion: 샘플 품질 크게 저하.

🧪 검증 / 중복

• 검증: PyTorch docs, Adam(2014), AdamW(2017), Lion(2023) 원논문.
• 중복: Adam Optimizer (specific) — 본 문서는 비교/선택 가이드.

🕓 Changelog

• 2026-05-10: 신규 작성. SGD momentum → Nesterov → Adam → AdamW → Lion + 2026 best practice.