【科研-学习-pytorch】7-梯度、激活函数和loss

梯度

导数-derivate

导数是函数对变量的变化率，包含意义广泛；是一个标量；

偏微分

对某一变量的导数，多个变量时偏微分表示对指定向量的导数；

梯度

对不同变量的导数，是向量，包含方向和数值；

凸函数，用到凸优化问题；
对于不同函数，使用梯度更新思想，将对应损失函数和权重偏导梯度更新，调整学习参数；

鞍点，难以优化的函数；

如何优化

• 初始化-initialization

初始化决定权重的初始位置，若初始化离局部极小值近则容易导致进入局部极小值；

• learning-rate

学习率对于训练过程极其重要，若初始学习率过大，容易震荡不收敛；
先调小稳定后放大至稳定结果；

• 动量-moment

当陷入局部极小值后难以通过梯度更新突破局部极小值，此时引入动量，类似于惯性作用，当陷入局部极小时通过梯度更新加上惯性作用能突破这个值，找到全局最优解；

激活函数

感知机

从青蛙神经元感应启发而来，分段函数，小于0为0，大于0为1；
但是不可导的分段函数，不方便求导；

sigmoid

$f(x)=\frac{1}{1+e^{-x}}$

对于sigmoid函数进行求导，可得：
f(x)的导数为：f(x)（1 - f(x)）
sigmoid函数可将数值压缩到0-1之间，便于概率、像素值计算；
但缺点是对于sigmoid函数极大时得到梯度为0，即梯度无法更新，出现梯度弥散现象；
使用方式：torch.sigmoid(a)

tanh

在RNN中使用较多，也有将函数范围作用到固定范围内，便于稳定训练；

Relu

relu函数梯度值变换和其函数类似，导数连续且计算方便；保持梯度稳定；

loss

Mean Squared Error

Cross Entropy Loss