李弘毅机器学习:第四章—梯度下降法
什么是梯度下降法?
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02,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:
θ ∗ = arg max θ L ( θ ) (1) \theta^∗= \underset{ \theta }{\operatorname{arg\ max}} L(\theta) \tag1 θ∗=θarg maxL(θ)(1)
- L L L :lossfunction(损失函数)
- θ \theta θ :parameters(参数)
这里的parameters是复数,即 θ \theta θ 指代一堆参数,比如上篇说到的 w w w 和 b b b 。
我们要找一组参数 θ \theta θ ,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
θ
\theta
θ 有里面有两个参数
θ
1
,
θ
2
\theta_1, \theta_2
θ1,θ2
随机选取初始值
θ 0 = [ θ 1 0 θ 2 0 ] (2) \theta^0 = \begin{bmatrix} \theta_1^0 \\ \theta_2^0 \end{bmatrix} \tag2 θ0=[θ10θ20](2)
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
L
L 的偏微分,然后
θ
0
\theta^0
θ0 减掉
η
\eta
η 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,
▽
L
(
θ
)
\triangledown L(\theta)
▽L(θ) 即为梯度。
η \eta η 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:调整学习速率
小心翼翼地调整学习率
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,如果学习率调整的刚刚好,比如红色的线,就能顺利找到最低点。如果学习率调整的太小,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 学习率调整的有点大,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,更新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。比如学习率太小(蓝色的线),损失函数下降的非常慢;学习率太大(绿色的线),损失函数下降很快,但马上就卡住不下降了;学习率特别大(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。
自适应学习率
举一个简单的思想:随着次数的增加,通过一些因子来减少学习率
-
通常刚开始,初始点会距离最低点比较远,所以使用大一点的学习率
-
update好几次参数之后呢,比较靠近最低点了,此时减少学习率
-
比如 η t = η t t + 1 \eta^t =\frac{\eta^t}{\sqrt{t+1}} ηt=t+1ηt, t t t 是次数。随着次数的增加, η t \eta^t ηt 减小
学习率不能是一个值通用所有特征,不同的参数需要不同的学习率
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
t
+
1
←
w
t
−
η
t
g
t
(3)
w^{t+1} \leftarrow w^t -η^tg^t \tag3
wt+1←wt−ηtgt(3)
η
t
=
η
t
t
+
1
(4)
\eta^t =\frac{\eta^t}{\sqrt{t+1}} \tag4
ηt=t+1ηt(4)
- w w w 是一个参数
Adagrad 可以做的更好:
w
t
+
1
←
w
t
−
η
t
σ
g
t
(5)
w^{t+1} \leftarrow w^t -\frac{η^t}{\sigma}g^t \tag5
wt+1←wt−σηtgt(5)
g
t
=
∂
L
(
θ
t
)
∂
w
(6)
g^t =\frac{\partial L(\theta^t)}{\partial w} \tag6
gt=∂w∂L(θt)(6)
- σ t \sigma^t σt :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 x_0 x0,最低点为 − b 2 a −\frac{b}{2a} −2ab,最佳的步伐就是 x 0 x0 x0 到最低点之间的距离 ∣ x 0 + b 2 a ∣ \left | x_0+\frac{b}{2a} \right | ∣∣x0+2ab∣∣,也可以写成 ∣ 2 a x 0 + b 2 a ∣ \left | \frac{2ax_0+b}{2a} \right | ∣∣2a2ax0+b∣∣。而刚好 ∣ 2 a x 0 + b ∣ |2ax_0+b| ∣2ax0+b∣ 就是方程绝对值在 x 0 x_0 x0 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 w_1 w1,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 w_2 w2,就像图中绿色的线,得到右边下图的结果。确实对于 a a a 和 b b b,结论1-1是成立的,同理 c c c 和 b b b 也成立。但是如果对比 a a a 和 c c c,就不成立了, c c c 比 a a a 大,但 c c 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
∣
2
a
x
0
+
b
2
a
∣
\left | \frac{2ax_0+b}{2a} \right |
∣∣2a2ax0+b∣∣,还有个分母
2
a
2a
2a 。对function进行二次微分刚好可以得到:
∂
2
y
∂
x
2
=
2
a
(7)
\frac{\partial ^2y}{\partial x^2} = 2a \tag7
∂x2∂2y=2a(7)
所以最好的步伐应该是:
一
次
微
分
二
次
微
分
\frac{一次微分}{二次微分}
二次微分一次微分
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
∑
i
=
0
t
(
g
i
)
2
\sqrt{\sum_{i=0}^t(g^i)^2}
∑i=0t(gi)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:随机梯度下降法
之前的梯度下降:
L
=
∑
n
(
y
^
n
−
(
b
+
∑
w
i
x
i
n
)
)
2
(8)
L=\sum_n(\hat y^n-(b+\sum w_ix_i^n))^2 \tag8
L=n∑(y^n−(b+∑wixin))2(8)
θ
i
=
θ
i
−
1
−
η
▽
L
(
θ
i
−
1
)
(9)
\theta^i =\theta^{i-1}- \eta\triangledown L(\theta^{i-1}) \tag9
θi=θi−1−η▽L(θi−1)(9)
而随机梯度下降法更快:
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 x^n xn
L
=
(
y
^
n
−
(
b
+
∑
w
i
x
i
n
)
)
2
(10)
L=(\hat y^n-(b+\sum w_ix_i^n))^2 \tag{10}
L=(y^n−(b+∑wixin))2(10)
θ
i
=
θ
i
−
1
−
η
▽
L
n
(
θ
i
−
1
)
(11)
\theta^i =\theta^{i-1}- \eta\triangledown L^n(\theta^{i-1}) \tag{11}
θi=θi−1−η▽Ln(θi−1)(11)
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Ln,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例子,但随机算法此时已经走了二十步(每处理一个例子就更新)
Tip3:特征缩放
比如有个函数:
y
=
b
+
w
1
x
1
+
w
2
x
2
(12)
y=b+w_1x_1+w_2x_2 \tag{12}
y=b+w1x1+w2x2(12)
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 x_1 x1 的scale比 x 2 x_2 x2 要小很多,所以当 w 1 w_1 w1 和 w 2 w_2 w2 做同样的变化时, w 1 w_1 w1 对 y y y 的变化影响是比较小的, x 2 x_2 x2 对 y y 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 w_1 w1 对 y y y 的变化影响比较小,所以 w 1 w_1 w1 对损失函数的影响比较小, w 1 w_1 w1 对损失函数有比较小的微分,所以 w 1 w_1 w1 方向上是比较平滑的。同理 x 2 x_2 x2 对 y y y 的影响比较大,所以 x 2 x_2 x2 对损失函数的影响比较大,所以在 x 2 x_2 x2 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。
怎么做缩放?
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,里面都有一组特征。
对每一个维度 i i i(绿色框)都计算平均数,记做 m i m_i mi;还要计算标准差,记做 σ i \sigma _i σi。
然后用第 r r r 个例子中的第 i i i 个输入,减掉平均数 m i m_i mi,然后除以标准差 σ i \sigma _i σi,得到的结果是所有的维数都是 0 0 0,所有的方差都是 1 1 1
梯度下降的理论基础
问题
当用梯度下降解决问题:
θ ∗ = arg max θ L ( θ ) (1) \theta^∗= \underset{ \theta }{\operatorname{arg\ max}} L(\theta) \tag1 θ∗=θarg maxL(θ)(1)
每次更新参数 θ \theta θ,都得到一个新的 θ \theta θ,它都使得损失函数更小。即:
L ( θ 0 ) > L ( θ 1 ) > L ( θ 2 ) > ⋅ ⋅ ⋅ (13) L(\theta^0) >L(\theta^1)>L(\theta^2)>···\tag{13} L(θ0)>L(θ1)>L(θ2)>⋅⋅⋅(13)
上述结论正确吗?
结论是不正确的。。。
数学理论
比如在
θ
0
\theta^0
θ0 处,可以在一个小范围的圆圈内找到损失函数细小的
θ
1
\theta^1
θ1,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?
泰勒展开式
先介绍一下泰勒展开式
定义
若 h ( x ) h(x) h(x) 在 x = x 0 x=x_0 x=x0 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:
h ( x ) = ∑ k = 0 ∞ h k ( x 0 ) k ! ( x − x 0 ) k = h ( x 0 ) + h ′ ( x 0 ) ( x − x 0 ) + h ′ ′ ( x 0 ) 2 ! ( x − x 0 ) 2 + ⋯ (14) \begin{aligned} h(x) &= \sum_{k=0}^{\infty }\frac{h^k(x_0)}{k!}(x-x_0)^k \\ & =h(x_0)+{h}'(x_0)(x−x_0)+\frac{h''(x_0)}{2!}(x−x_0)^2+⋯ \tag{14} \end{aligned} h(x)=k=0∑∞k!hk(x0)(x−x0)k=h(x0)+h′(x0)(x−x0)+2!h′′(x0)(x−x0)2+⋯(14)
当
x
x
x 很接近
x
0
x_0
x0 时,有
h
(
x
)
≈
h
(
x
0
)
+
h
′
(
x
0
)
(
x
−
x
0
)
h(x)≈h(x_0)+{h}'(x_0)(x−x_0)
h(x)≈h(x0)+h′(x0)(x−x0)
式14 就是函数
h
(
x
)
h(x)
h(x) 在
x
=
x
0
x=x_0
x=x0 点附近关于
x
x
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 s i n ( x ) sin(x) 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 ) (a,b) (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
(
△
θ
1
,
△
θ
2
)
(\triangle \theta_1,\triangle \theta_2)
(△θ1,△θ2) 和
(
u
,
v
)
(u,v)
(u,v) 的内积,那怎样让它最小,就是和向量
(
u
,
v
)
(u,v)
(u,v) 方向相反的向量
然后将u和v带入。
L
(
θ
)
≈
s
+
u
(
θ
1
−
a
)
+
v
(
θ
2
−
b
)
(14)
L(\theta)\approx s+u(\theta_1 - a)+v(\theta_2 - b) \tag{14}
L(θ)≈s+u(θ1−a)+v(θ2−b)(14)
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