Pytorch: Ajouter une note dans la documentation sur la formulation de l'élan utilisée dans optim

J'ai examiné la mise en œuvre de SGD + Momentum dans PyTorch et j'ai remarqué quelque chose d'un peu différent de la façon dont les autres packages (et articles) le décrivent. Pour le moment, concentrons-nous uniquement sur la dynamique (classique) et non sur la version de Nesterov.

Au moment de la rédaction, la mise en œuvre se lit comme suit :

```
si élan != 0 :
param_state = self.state[p]
si 'momentum_buffer' n'est pas dans param_state :
buf = param_state['momentum_buffer'] = d_p.clone()
autre:
buf = param_state['momentum_buffer']
buf.mul_(momentum).add_(1 - amortissement, d_p)
si nesterov :
d_p = d_p.add(momentum, buf)
autre:
d_p = buf

            p.data.add_(-group['lr'], d_p)

Mathematically, if we denote the momentum buffer by `v` and assume that `dampening=0`, at every iteration, the buffer is updated as `v = m*v + g` and the step is `∆x = lr * v`. Notice that the learning rate `lr` hits the momentum term `v` as well as the gradient. To me, this is different from what classical momentum is, and also differs from how other packages implement SGD+M.

Let us contrast this with the Sutskever et. al. paper and other commonly used pacakges such as Lasagne, Keras, Neon, etc.

## [Sutskever et. al.](http://www.jmlr.org/proceedings/papers/v28/sutskever13.pdf)
The snippet of the relevant section is pasted below. 
![Sutskever et. al.](http://i.imgur.com/QJelodE.png)

Retaining the syntax from above, the algorithm updates `v` as `v = m*v - lr * g` with the step `∆x = v`. So, the learning rate `lr` only hits the gradient. It does not (explicitly) influence the effect of the momentum term which is in contrast with PyTorch's implementation. 

# [Lasagne](https://github.com/Lasagne/Lasagne/blob/master/lasagne/updates.py#L217)

Lasagne employs the same rule as suggested in Sutskever for momentum. 

for param in params:
    value = param.get_value(borrow=True)
    velocity = theano.shared(np.zeros(value.shape, dtype=value.dtype),
                             broadcastable=param.broadcastable)
    x = momentum * velocity + updates[param]
    updates[velocity] = x - param

# [Keras](https://github.com/fchollet/keras/blob/master/keras/optimizers.py#L141)

Same for Keras:

   for p, g, m in zip(params, grads, moments):
        v = self.momentum * m - lr * g  # velocity
        self.updates.append(K.update(m, v))

        if self.nesterov:
            new_p = p + self.momentum * v - lr * g
        else:
            new_p = p + v

# [Neon](https://github.com/NervanaSystems/neon/blob/master/neon/optimizers/optimizer.py#L520)

and Neon.

            velocity[:] = self.momentum_coef * velocity - lrate * grad

            # Nesterov accelerated gradient (NAG) is implemented the same
            # as in torch's "sgd.lua". It's a reformulation of Sutskever's
            # NAG equation found in "On the importance of initialization
            # and momentum in deep learning".
            if self.nesterov:
                param[:] = param + self.momentum_coef * velocity -\
                           lrate * grad
            else:
                param[:] = param + velocity

```
La disparité est-elle vraie ou est-ce que je manque quelque chose d'important ?

La différence entre les deux implémentations n'est pas négligeable et surtout lorsque lr est réduit en cours de route. Si mon affirmation est vraie, nous pourrions peut-être mettre à jour la référence (je ne sais pas ce que ce serait) ou inclure la version ci-dessus dans le code SGD (je peux la reprendre si nécessaire) ?