前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【机器学习入门系列】梯度下降法

【机器学习入门系列】梯度下降法

原创
作者头像
张耀琦
修改2017-06-19 19:09:30
2.9K1
修改2017-06-19 19:09:30
举报
文章被收录于专栏:张耀琦的专栏

作者介绍:张耀琦,现腾讯即通应用部iOS工程师一枚;数学出身,CSDN博客专家(YoferZhang的专栏);目前爱好钻研机器学习。

什么是梯度下降法?学习速率的引入;如何调整学习速率;Adagrad算法介绍;用泰勒展开式对梯度下降法进行数学理论支持

引用课程:http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html

什么是Gradient Descent(梯度下降法)?

在第二篇文章中有介绍到梯度下降法的做法,传送门:【机器学习入门系列】Regression 回归:案例研究

Review: 梯度下降法

在回归问题的第三步中,需要解决下面的最优化问题:

这里的parameters是复数,即 $\theta$ 指代一堆参数,比如上篇说到的 $w$ 和 $b$。

我们要找一组参数 $\theta$ ,让损失函数越小越好,这个问题可以用梯度下降法解决:

假设 $\theta$ 有里面有两个参数 ${\theta{1}, \theta{2}}$

随机选取初始值

这里可能某个平台不支持矩阵输入,看下图就好。

然后分别计算初始点处,两个参数对 $L$ 的偏微分,然后 $\theta^{0}$ 减掉 $\eta$ 乘上偏微分的值,得到一组新的参数。同理反复进行这样的计算。黄色部分为简洁的写法,$\nabla L(\theta)$即为梯度

$\eta$叫做Learning rates(学习速率)

上图举例将梯度下降法的计算过程进行可视化。

Tip1:调整 learning rates(学习速率)

小心翼翼地调整 learning rate

举例:

上图左边黑色为损失函数的曲线,假设从左边最高点开始,如果 learning rate 调整的刚刚好,比如红色的线,就能顺利找到最低点。如果 learning rate 调整的太小,比如蓝色的线,就会走的太慢,虽然这种情况给足够多的时间也可以找到最低点,实际情况可能会等不及出结果。如果 learning rate 调整的有点大,比如绿色的线,就会在上面震荡,走不下去,永远无法到达最低点。还有可能非常大,比如黄色的线,直接就飞出去了,update参数的时候只会发现损失函数越更新越大。

虽然这样的可视化可以很直观观察,但可视化也只是能在参数是一维或者二维的时候进行,更高维的情况已经无法可视化了。

解决方法就是上图右边的方案,将参数改变对损失函数的影响进行可视化。比如 learning rate 太小(蓝色的线),损失函数下降的非常慢;learning rate 太大(绿色的线),损失函数下降很快,但马上就卡住不下降了;learning rate特别大(黄色的线),损失函数就飞出去了;红色的就是差不多刚好,可以得到一个好的结果。

自适应 learning rate

举一个简单的思想:随着次数的增加,通过一些因子来减少 learning rate

  • 通常刚开始,初始点会距离最低点比较远,所以使用大一点的 learning rate
  • update好几次参数之后呢,比较靠近最低点了,此时减少 learning rate
  • 比如 $\eta^{t} = \eta / \sqrt{t+1}$,$t$ 是次数。随着次数的增加,$\eta^{t}$ 减小

但 learning rate 不能是 one-size-fits-all ,不同的参数需要不同的 learning rate

Adagrad 算法

Adagrad 是什么?

每个参数的学习率都把它除上之前微分的均方根。解释:

普通的梯度下降为:

$w$ 是一个参数

Adagrad 可以做的更好:

$\sigma^{t$:之前参数的所有微分的均方根,对于每个参数都是不一样的。

Adagrad举例

下图是一个参数的更新过程

将 Adagrad 的式子进行化简:

Adagrad 存在的矛盾?

在 Adagrad 中,当梯度越大的时候,步伐应该越大,但下面分母又导致当梯度越大的时候,步伐会越小。

下图是一个直观的解释:

下面给一个正式的解释:

比如初始点在 $x{0}$,最低点为 $-\frac{b}{2a}$,最佳的步伐就是 $x{0}$ 到最低点之间的距离 $| x{0} + \frac{b}{2a} |$,也可以写成 $\frac{| 2ax{0} + b|}{2a}$。而刚好 $ |2ax{0} + b|$ 就是方程绝对值在$x{0}$这一点的微分。

这样可以认为如果算出来的微分越大,则距离最低点越远。而且最好的步伐和微分的大小成正比。所以如果踏出去的步伐和微分成正比,它可能是比较好的。

结论1-1:梯度越大,就跟最低点的距离越远。

这个结论在多个参数的时候就不一定成立了。

多参数下结论不一定成立

对比不同的参数

上图左边是两个参数的损失函数,颜色代表损失函数的值。如果只考虑参数 $w{1}$,就像图中蓝色的线,得到右边上图结果;如果只考虑参数 $w{2}$,就像图中绿色的线,得到右边下图的结果。确实对于a和b,结论1-1是成立的,同理c和b也成立。但是如果对比a和c,就不成立了,c比a大,但c距离最低点是比较近的。

所以结论1-1是在没有考虑跨参数对比的情况下,才能成立的。所以还不完善。

之前说到的最佳距离$\frac{| 2ax_{0} + b|}{2a}$,还有个分母 $2a$ 。对function进行二次微分刚好可以得到:

所以最好的步伐应该是:

一次微分/二次微分

即不止和一次微分成正比,还和二次微分成反比。最好的step应该考虑到二次微分:

Adagrad 进一步的解释

再回到之前的 Adagrad

对于$\sqrt{\sum^{t}_{i=0} (g^{i})^{2} }$ 就是希望再尽可能不增加过多运算的情况下模拟二次微分。(如果计算二次微分,在实际情况中可能会增加很多的时间消耗)

Tip2:Stochastic Gradient Descent(随机梯度下降法)

之前的梯度下降:

而Stochastic Gradient Descent(更快):

损失函数不需要处理训练集所有的数据,选取一个例子 $x^{n}$

此时不需要像之前那样对所有的数据进行处理,只需要计算某一个例子的损失函数$L^{n}$,就可以赶紧update 梯度。

对比:

常规梯度下降法走一步要处理到所有二十个examples,但Stochastic 此时已经走了二十步(没处理一个example就更新)

Tip3:Feature Scaling(特征缩放)

比如有个function:

两个输入的分布的范围很不一样,建议把他们的范围缩放,使得不同输入的范围是一样的。

为什么要这样做?

上图左边是$x{1}$的scale比 $x{2}$要小很多,所以当$w{1}$ 和 $w{2}$做同样的变化时,$w{1}$对y的变化影响是比较小的,$x{2}$对y的变化影响是比较大的。

坐标系中是两个参数的error surface(现在考虑左边蓝色),因为$w{1}$对y的变化影响比较小,所以$w{1}$对损失函数的影响比较小,$w{1}$对损失函数有比较小的微分,所以$w{1}$方向上是比较平滑的。同理$x{2}$对y的影响比较大,所以$x{2}$对损失函数的影响比较大,所以在$x_{2}$方向有比较尖的峡谷。

上图右边是两个参数scaling比较接近,右边的绿色图就比较接近圆形。

对于左边的情况,上面讲过这种狭长的情形不过不用Adagrad的话是比较难处理的,两个方向上需要不同的学习率,同一组学习率会搞不定它。而右边情形更新参数就会变得比较容易。左边的梯度下降并不是向着最低点方向走的,而是顺着等高线切线法线方向走的。但绿色就可以向着圆心(最低点)走,这样做参数更新也是比较有效率。

怎么做 scaling?

方法非常多,这里举例一种常见的做法:

上图每一列都是一个例子,里面都有一组feature。

对每一个维度$i$(绿色框)都计算平均数,记做$m{i}$;还要计算标准差,记做$\sigma{i}$。

然后用第r个例子中的第i个输入,减掉平均数$m{i}$,然后除以标准差$\sigma{i}$,得到的结果是所有的维数都是0,所有的方差都是1

梯度下降的理论基础

问题

当用梯度下降解决问题:

每次更新参数 $\theta$,都得到一个新的 $\theta$,它都使得损失函数更小。即:

上述结论正确吗?

结论是不正确的。。。

数学理论

比如在$\theta^{0}$处,可以在一个小范围的圆圈内找到损失函数细小的$\theta^{1}$,不断的这样去寻找。

接下来就是如果在小圆圈内快速的找到最小值?

Taylor Series(泰勒展开式)

先介绍一下泰勒展开式

定义

若$h(x)$在$x = x_{0}$点的某个领域内有无限阶导数(即无限可微分,infinitely differentiable),那么在此领域内有:

当$x$很接近$x{0}$时,有$h(x) \approx h(x{0}) + h'(x{0})(x - x{0})$

式1-1就是函数$h(x)$在$x = x_{0}$点附近关于$x$的幂函数展开式,也叫泰勒展开式

举例:

图中3条蓝色线是把前3项作图,橙色线是 $sin(x)$。

多变量泰勒展开式

下面是两个变量的泰勒展开式

利用泰勒展开式简化

回到之前如何快速在圆圈内找到最小值。基于泰勒展开式,在$(a,b)$ 点的红色圆圈范围内,可以将损失函数用泰勒展开式进行简化:

将问题进而简化为下图:

不考虑s的话,可以看出剩下的部分就是两个向量$(\Delta \theta{1}, \Delta \theta{2})$ 和 $(u, v)$的内积,那怎样让它最小,就是和向量 $(u, v)$ 方向相反的向量

然后将u和v带入。

发现最后的式子就是梯度下降的式子。但这里用这种方法找到这个式子有个前提,泰勒展开式给的损失函数的估算值是要足够精确的,而这需要红色的圈圈足够小(也就是学习率足够小)来保证。所以理论上每次更新参数都想要损失函数减小的话,即保证式1-2 成立的话,就需要学习率足够足够小才可以。

所以实际中,当更新参数的时候,如果学习率没有设好,是有可能式1-2是不成立的,所以导致做梯度下降的时候,损失函数没有越来越小。

式1-2只考虑了泰勒展开式的一次项,如果考虑到二次项(比如牛顿法),在实际中不是特别好,会涉及到二次微分等,多很多的运算,性价比不好。

梯度下降的限制

  • 容易陷入局部极值
  • 还有可能卡在不是极值,但微分值是0的地方
  • 还有可能实际中只是当微分值小于某一个数值就停下来了,但这里只是比较平缓,并不是极值点

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 什么是Gradient Descent(梯度下降法)?
    • Review: 梯度下降法
    • Tip1:调整 learning rates(学习速率)
      • 小心翼翼地调整 learning rate
        • 自适应 learning rate
          • Adagrad 算法
            • Adagrad 是什么?
            • Adagrad举例
            • Adagrad 存在的矛盾?
            • 多参数下结论不一定成立
            • Adagrad 进一步的解释
        • Tip2:Stochastic Gradient Descent(随机梯度下降法)
        • Tip3:Feature Scaling(特征缩放)
          • 为什么要这样做?
            • 怎么做 scaling?
            • 梯度下降的理论基础
              • 问题
              • 数学理论
                • Taylor Series(泰勒展开式)
                  • 定义
                  • 多变量泰勒展开式
                • 利用泰勒展开式简化
                • 梯度下降的限制
                相关产品与服务
                大数据
                全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
                领券
                问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档