1. Mini-batch decent方法
1.1. Batch vs. mini-batch
Batch:利用矢量化编程的方法,对整个训练集运用梯度下降法。梯度每下降一小步,都要处理整个训练集。这样的效率比较慢。
Mini-batch:将训练集拆分为更小的训练集,成为小批量训练集(mini-batch)
Mini-batch t:
X{t},Y{t}
X
{
t
}
,
Y
{
t
}
对每个mini-batch都进行一次完整的前向和反向传播过程,当对所有的mini-batch都进行了前向和反向过程后,我们称完成了对训练集的一次遍历(epoch)。
Batch gradient descent,原则上cost应该是单调下降(除非learning rate太大了);Mini-batch gradient descent,整体趋势下降,但是局部是振荡的。
1.2. Choosing mini-batch size
- 如果mini-batch size=m: 等价于batch gradient descent,一般可以收敛到全局最小值点;
- 如果mini-batch size=1:等价于stochastic gradient descent,不一定收敛到全局最小值点,一般会在该点处振荡。
如果训练集较小(<2000),就使用batch gradient descent;否则,可以选择64到512之间(2的幂数)的mini-batch size。确保可以放入CPU/GPU的内存中
2. 指数加权平均方法(exponentially weighted averages)
第t天的指数平均值的通项公式:
近似公式:
如图2.2所示,当 β β 增大时,曲线向右平移(绿线); β β 减小时,曲线振荡加剧(黄线),
2.1. Bias Correction(偏差修正)
原因:
v0=0
v
0
=
0
导致初始阶段的点估计不准
解决方法:用
vt1−βt
v
t
1
−
β
t
代替
vt
v
t
3. Gradient descent with momentum(动量梯度下降)
背景问题:当目标函数的等高线为图3.1所示时,梯度下降的过程中可能会发生振荡:
Momentum:
On iteration t:
Compute dw,db d w , d b on current mini-batch.
采用前面提到的指数加权平均可以使梯度的下降过程更平滑。
一般 β β 取0.9就好,而且实际中一般不用修正偏差,因为迭代几步后偏差就自动减小很多了。
4. RMSprop(Root Mean Square prop,均方根传递)
On iteration t:
Compute
dw,db
d
w
,
d
b
on current mini-batch.
垂直方向除以一个较大的数,水平方向除以一个较小的数(假设b是垂直方向,w是水平方向)。为了防止分母出现零的情况,可以在分母加上一个小的 ϵ ϵ
5. Adam优化算法
Adam的本质是将动量和RMSprop结合起来。
vdw=0,sdw=0.vdb=0,sdb=0.
v
d
w
=
0
,
s
d
w
=
0.
v
d
b
=
0
,
s
d
b
=
0.
On iteration t:
Compute
dw,db
d
w
,
d
b
on current mini-batch.
超参数:
α α :人工调整
β1:0.9 β 1 : 0.9 , (dw) ( d w )
β2:0.999 β 2 : 0.999 , (dw2) ( d w 2 )
ϵ ϵ : 10−8 10 − 8
6. 学习率衰减(learning rate decay)
解决方法:让学习率 α α 逐渐下降。
下降的形式:
- α=11+decay−rate ∗ epoch−num α = 1 1 + d e c a y − r a t e ∗ e p o c h − n u m
- α=0.95epoch−num⋅α0 α = 0.95 e p o c h − n u m ⋅ α 0
- α=ke√poch−numα0 α = k e p o c h − n u m α 0
- …