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 >【技术分享】梯度下降算法

【技术分享】梯度下降算法

原创
作者头像
腾讯云TI平台
发布2020-01-17 14:16:41
9650
发布2020-01-17 14:16:41
举报
文章被收录于专栏:腾讯云TI平台

本文原作者:尹迪,经授权后发布。

  梯度下降(GD)是最小化风险函数、损失函数的一种常用方法,随机梯度下降和批量梯度下降是两种迭代求解思路。

1 批量梯度下降算法

  假设h(theta)是要拟合的函数,J(theta)是损失函数,这里theta是要迭代求解的值。这两个函数的公式如下,其中m是训练集的记录条数,j是参数的个数:

1.1
1.1

  梯度下降法目的就是求出使损失函数最小时的theta。批量梯度下降的求解思路如下:

  • 对损失函数求theta的偏导,得到每个theta对应的的梯度
1.2
1.2
  • 按每个参数theta的梯度负方向,来更新每个theta
1.3
1.3

  从上面公式可以看到,虽然它得到的是一个全局最优解,但是每迭代一步(即修改jtheta参数中的一个),都要用到训练集所有的数据,如果m很大,迭代速度会非常慢。

2 随机梯度下降算法

  随机梯度下降是通过每个样本来迭代更新一次theta,它大大加快了迭代速度。更新theta的公式如下所示。

1.4
1.4

  批量梯度下降会最小化所有训练样本的损失函数,使得最终求解的是全局的最优解,即求解的参数是使得风险函数最小。随机梯度下降会最小化每条样本的损失函数, 虽然不是每次迭代得到的损失函数都向着全局最优方向, 但是大的整体的方向是向全局最优解的,最终的结果往往是在全局最优解附近。

3 批随机梯度下降算法

  在MLlib中,并不是严格实现批量梯度下降算法和随机梯度下降算法,而是结合了这两种算法。即在每次迭代中,既不是使用所有的样本,也不是使用单个样本,而是抽样一小批样本用于计算。

1.5
1.5

  下面分析该算法的实现。首先我们看看GradientDescent的定义。

代码语言:javascript
复制
class GradientDescent private[spark] (private var gradient: Gradient, private var updater: Updater)
  extends Optimizer with Logging 

  这里Gradient类用于计算给定数据点的损失函数的梯度。Gradient类用于实现参数的更新,即上文中的theta。梯度下降算法的具体实现在runMiniBatchSGD中。

代码语言:javascript
复制
def runMiniBatchSGD(
      data: RDD[(Double, Vector)],
      gradient: Gradient,
      updater: Updater,
      stepSize: Double,
      numIterations: Int,
      regParam: Double,
      miniBatchFraction: Double,
      initialWeights: Vector,
      convergenceTol: Double): (Vector, Array[Double])

  这里stepSize是更新时的步长,regParam表示归一化参数,miniBatchFraction表示采样比例。迭代内部的处理分为两步。

  • 1 采样并计算梯度
代码语言:javascript
复制
val (gradientSum, lossSum, miniBatchSize) = data.sample(false, miniBatchFraction, 42 + i)
        .treeAggregate((BDV.zeros[Double](n), 0.0, 0L))(
          seqOp = (c, v) => {
            // c: (grad, loss, count), v: (label, features)
            val l = gradient.compute(v._2, v._1, bcWeights.value, Vectors.fromBreeze(c._1))
            (c._1, c._2 + l, c._3 + 1)
          },
          combOp = (c1, c2) => {
            // c: (grad, loss, count)
            (c1._1 += c2._1, c1._2 + c2._2, c1._3 + c2._3)
          })

  这里treeAggregate类似于aggregate方法,不同的是在每个分区,该函数会做两次(默认两次)或两次以上的merge聚合操作,避免将所有的局部值传回driver端。

  该步按照上文提到的偏导公式求参数的梯度,但是根据提供的h函数的不同,计算结果会有所不同。MLlib现在提供的求导方法分别有HingeGradientLeastSquaresGradientLogisticGradient以及 ANNGradient。这些类的实现会在具体的算法中介绍。

  • 2 更新权重参数
代码语言:javascript
复制
val update = updater.compute(
          weights, Vectors.fromBreeze(gradientSum / miniBatchSize.toDouble),
          stepSize, i, regParam)
weights = update._1
regVal = update._2

  求出梯度之后,我们就可以根据梯度的值更新现有的权重参数。MLlib现在提供的Updater主要有SquaredL2UpdaterL1UpdaterSimpleUpdater等。这些类的实现会在具体的算法中介绍。

参考文献

【1】随机梯度下降和批量梯度下降的公式对比、实现对比

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
  • 1 批量梯度下降算法
  • 2 随机梯度下降算法
  • 3 批随机梯度下降算法
  • 参考文献
相关产品与服务
腾讯云 TI 平台
腾讯云 TI 平台(TencentCloud TI Platform)是基于腾讯先进 AI 能力和多年技术经验,面向开发者、政企提供的全栈式人工智能开发服务平台,致力于打通包含从数据获取、数据处理、算法构建、模型训练、模型评估、模型部署、到 AI 应用开发的产业 + AI 落地全流程链路,帮助用户快速创建和部署 AI 应用,管理全周期 AI 解决方案,从而助力政企单位加速数字化转型并促进 AI 行业生态共建。腾讯云 TI 平台系列产品支持公有云访问、私有化部署以及专属云部署。
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