原文：
https://builtin.com/machine-learning/adam-optimization
1. 原始SGD
2. 带冲量的SGD:
vt: mementum(冲量)
γ：momentum decay
η：Learning rate
在之前保持的正确的方向上，加速收敛；冲出”坑“；
3. RMSProp
E[gt^2]: 梯度平方的带权Moving average；
可把E这个机制，视为自适应学习率。对梯度太大的w，把收敛速度拉得慢一些；梯度太小的w，把收敛速度拉的快一些；（太快了，怕出事故，拉慢些；太慢了，要助力，拉快些）
4. 简化版Adam
将Momentum和自适应学习率，相结合了；
mt: 冲量；
vt: 自适应学习率；
ε：防止被0除；
5. 最终版Adam
β1^t和β2^t：warm startup；一上来几轮，m和v太小了接近0，收敛太慢；加上除以小的数，使得m和v在前几轮比较大；后面随着t增大，该分母趋近于0，可忽略；
