Mini-batch 梯度下降
之前的梯度下降法，在每一次迭代时都处理了全部的样本数据，如果样本过大，一次迭代会变得非常慢。
训练样本：
实际输出值：
mini-batch 梯度下降法就是把全部训练集分割成数量相等的多个小批次集，一次迭代只处理一个小批次集，直到遍历迭代完所有的小批次集即可。
把训练集 𝑋 分成 𝑡 等份，同样，把 𝑌 也分成 𝑡 等份，得到以下符号：
：表示第 𝑡 个小批次集的训练样本。
：表示第 𝑡 个小批次集的实际输出值。
mini-batch 梯度下降法一次迭代只处理
和
，而不是 𝑋 和 𝑌 。
和
，而不是 𝑋 和 𝑌 。
使用 batch 梯度下降法，一次遍历训练集只能做一次梯度下降，使用 mini-batch 梯度下降法，一次遍历训练集，可以做 𝑡 次梯度下降。因此，在大量训练集情况下， mini-batch 梯度下降法比 batch 梯度下降法运行地更快。
理解 mini-batch 梯度下降法
使用 batch 梯度下降法时，每次迭代都需要历遍整个训练集，可以预期每次迭代成本函数都会下降。
使用 mini-batch 梯度下降法，每次迭代只需要遍历一个小批次集，所以并不是每次迭代成本函数都会下降，但是总体趋势是下降的。导致趋势抖动的原因，可以理解为，每次迭代只用到了一部分数据，导致成本或误差变高了。
如图：
这里需要设置超参数是 mini-batch 的大小：
mini-batch等于所有训练集大小，其实就是 batch 梯度下降法。
mini-batch等于1，其实就是随机梯度下降法。
三种梯度下降法的学习效果如下：
批量梯度下降法：每次迭代使用全部数据训练，所以每次都能朝误差最小的方向快速收敛，缺点是每次训练比较耗时间。
随机梯度下降法：每次迭代使用一个训练样本，所以每次的梯度方向误差较大，导致波动也较大。
小批量梯度下降法：每次迭代使用一小批次样本，所以每次的梯度方向误差相对较小，收敛也较快。
如何选择梯度下降法：
训练集小于 2000 个样本，比较适用批量梯度下降法。
训练集大于 2000 个样本，比较适用小批量梯度下降法， 一般 mini-batch 大小是 2 的 𝑛 次方（如：64，128等，一般不大于 512），通常做法是，尝试几个不同的 mini-batch 值，选择效果最好的一个。
指数加权平均数
下面介绍几个比梯度下降更快的优化算法，在理解这些算法之前，先了解一下指数加权平均数。
指数加权平均数公式：𝑣𝑡 = 𝛽𝑣𝑡-1 + (1 - 𝛽)𝜃𝑡
𝑣𝑡：第 t 天的加权平均值。
𝜃𝑡：第 t 天的实际观察值。
𝛽：加权平均值的权重（0 < 𝛽 < 1），用于调节历史平均值和当前观察值的权重比例，表示当前的平均值受到历史平均值的影响程度。
例子：天气趋势预测（蓝点就是每天的温度）：
为了预测趋势，这里使用温度的局部平均值来表示局部的趋势，也就是指数加权平均数。
设置温度初始值为 0 ，根据初始值计算出每天温度的平均值：
𝑣0 = 0
𝑣1 = 𝛽𝑣0 + (1 - 𝛽)𝜃1
𝑣2 = 𝛽𝑣1 + (1 - 𝛽)𝜃2
𝑣3 = 𝛽𝑣2 + (1 - 𝛽)𝜃3
……
𝑣n = 𝛽𝑣n-1 + (1 - 𝛽)𝜃3
将 𝑣n 展开：
𝑣n = 𝛽^n * 𝑣0 + (1 - 𝛽) ( 𝛽^(n-1) * 𝜃1 + 𝛽^(n-2) * 𝜃2 + ... + 𝛽 * 𝜃n-1 + 𝜃n )
可以看出，𝑣n 是对每天温度的加权平均，时间越靠近，权重越大，时间越靠前，权重越小，因为权重系数是以指数形式来表示的，所以称为指数加权。这也符合我们对温度变化的直观感受，当天的温度受最近几天的影响较大，受较远时期的影响较小。
如果这里 𝛽 设置为 0.9，可以看成是近10天的平均值，因为 𝛽^9 的值是非常小了，后续的可以近似为 0。平均天数的计算公式：
𝛽 分别为 0.9（平均天数为10天）、0.98（平均天数为50天）时，对应上图中的趋势是红线，绿线。可以看出，𝛽 值越大，趋势越平缓一些，也就是要平均的天数更多了，受到较远时期的影响变大了，缺点是趋势出现了延迟。
如果 𝛽 分别为 0.5，趋势如下图（黄线）：
0.5对应的平均天数为2天，平均的数据太少，趋势中有了更多的噪声，有可能出现异常值， 但是这个曲线能够更快适应温度变化。
指数加权平均数在统计学中被称为指数加权移动平均值，通过调整参数 𝛽 来提高算法的效果，如上面例子中，红色曲线的效果最好。
理解指数加权平均数
在天气趋势预测的例子中，𝛽 为 0.9 时的效果最好，它平均了最近10天的数据，而 0.9^10大约是0.35，这大约是 1/e，e是自然常数。换句话说， 我们只关注过去10 天的温度，因为10天后，权重下降不到当日权重的 1/3，也就是下降不到 1/e。所以可以用 1/e 作为一个分界点，当权重衰减到这个值以下，就可以忽略不计。
对于任意的 𝛽，都满足 𝛽^(1/(1-𝛽)) 约等于 1/e。因此，指数加权平均数就是最近 1/(1-𝛽) 天的平均值。
注意：以1/e为分界点，只是作为一种理解问题的思考方向，并不是严格的数学证明。
计算指数加权平均数只需要单行数字的存储，资源占有率大大减小，且计算逻辑较简单，运行效率也就大大提高。
指数加权平均的偏差修正
指数加权平均数存在一个冷启动的问题，也就是开始时的预测偏差较大。如图：
当 𝛽 =0.98 ，实际上得到的是紫色曲线，可以看到紫色曲线的起点较低。假设 𝑣0 = 0， 𝜃1 = 40，通过加权平均公式得到 𝑣1 = 0.98 * 𝑣0 + 0.02 * 40 = 8，这离真实的温度 40 偏差较大，因此需要修正。
带有偏差修正的指数加权平均数的公式：
修正后的 𝑣1 = ( 0.98 * 𝑣0 + 0.02 * 40 ) / 0.02 = 40，这样就可以对开始的部分平均值进行偏差修正， 随着 𝑡 （天数）增加， 𝛽^𝑡 接近于 0，也就是说过了开始的冷启动阶段，𝛽^𝑡 趋向 0，分母趋向1，就不再进行修正。
上面例子中，紫线在开始的冷启动阶段和绿线存在偏差，当 𝑡 较大时，紫线基本上和绿线是重合的。通过对紫线开始的冷启动阶段进行修正后，整个紫线和绿线就基本重合了。
动量梯度下降法 （ Gradient descent with Momentum）
动量梯度下降法（ Momentum）， 基本的思想就是计算梯度的指数加权平均数，并利用该梯度更新权重。该方法的效率快于一般的标准梯度下降法。
如图：
假设纵轴代表参数 𝑏（摆动较大），横轴代表参数 𝑊（摆动较小）。我们的目的是，在纵轴方向减缓摆动（变化慢），在横轴方向加快学习速度（变化快）。
动量梯度下降法：
这里使用 mini-batch 计算 𝑑𝑊，𝑑𝑏。
这里有两个超参数， 学习率 𝑎 以及参数 𝛽。 𝛽 最常用的值是0.9，这里的意思是平均了前10次迭代的梯度。
在迭代过程中，会发现纵轴方向的移动平均值 𝑣𝑑𝑏 接近于零（纵轴摆动较大，导数出现正负值，正负值抵消后，平均值接近零），纵轴会变得平缓。横轴方向的移动平均值 𝑣𝑑𝑊 仍然较大（横轴方向大体一致，导数都指向了最小值的方向，平均值变化较小），横轴方向运动较快。
虽然这里可以使用偏差修正，但是一般经过10次迭代后，移动平均已经过了初始阶段，所以在实际中可以不使用偏差修正。
有一些动量梯度下降法的资料会把 1 - 𝛽 去掉，也就得到： 𝑣𝑑𝑊 = 𝛽𝑣𝑑𝑊 + 𝑑𝑊。 实际上，这两种方式效果都不错，只是该方法会影响到学习率 𝑎 的最佳值。 也就是调整超参数 𝛽 的同时，也要调整学习率 𝑎 。
建议使用第一种方式，也就是带有 1 - 𝛽 的公式。
RMSprop
RMSprop也是一种加速梯度下降算法，全称是 root mean square prop （均方根）算法。
如图：
假设纵轴代表参数 𝑏（摆动较大），横轴代表参数 𝑊（摆动较小）。我们的目的是，在纵轴方向减缓摆动（变化慢），在横轴方向加快学习速度（变化快）。
这里使用新符号𝑆𝑑𝑊 、 𝑆𝑑𝑏：
这里使用 mini-batch 计算 𝑑𝑊，𝑑𝑏。
注意：这里的平方是导数 𝑑𝑊 和 𝑑𝑏 的平方，不是 𝑊 和 𝑏 的平方。
在迭代过程中，会发现纵轴方向的移动平均值 𝑆𝑑𝑏 变得较大（纵轴摆动较大，所以导数也比较大，虽然有正负值，但是平方后就变得较大了），𝑏 变化得较慢，纵轴会变得平缓。横轴方向的移动平均值 𝑆𝑑𝑊 变得较小（横轴摆动较小，所以导数也较小，虽然平方后会变大，但是相比纵轴还是小很多，也就是函数的倾斜程度还是在纵轴上），𝑊 变化得较快，横轴方向运动较快。
注意：这里把纵轴和横轴方向分别称为 𝑏 和 𝑊， 只是为了方便展示。对于高纬度空间，该方法一样可以平缓摆动较大的维度。
RMSprop的全称是均方根，也就是将微分进行平方，然后再使用平方根。
这里有一个问题是， 如果 𝑆𝑑𝑊 的平方根趋近于 0 ，得到的值会非常大。为了确保数值稳定，在实际操练中，要在分母上加上一个很小的 𝜀，如
𝜀 为 10^-8 是不错的选择。
RMSprop 跟 Momentum 相似的一点是可以消除梯度下降中的摆动，并且允许使用一个较大的学习率 𝑎，从而加快算法学习速度。
Adam 优化算法
上面提到的 Momentum 和 RMSprop 梯度下降法 ，都适用于不同结构的神经网络，且效果不错。
Adam 算法结合了 Momentum 和 RMSprop，并且是一种极其常用的学习算法，被证明能有效适用于不同的神经网络。
如图：
这里使用 mini-batch 计算 𝑑𝑊，𝑑𝑏。
公式如下：
一般使用 Adam 算法的时候，要计算偏差修正：
最后更新权重：
超参数的选择：
使用 Adam 的时候，建议使用缺省值或建议值即可：
学习率 𝑎 ：需要不断尝试，然后选择效果最好的值。
𝛽1：常用的缺省值为 0.9。
𝛽2：建议为 0.999。
𝜀：建议为 10^-8。
Adam 代表自适应矩估计（Adaptive Moment Estimation）， 𝛽1用于计算导数的平均值（𝑑𝑊），称为第一阶矩， 𝛽2用来计算平方数的指数加权平均数（(𝑑𝑊)^2），叫做第二阶矩。这是 Adam 名字的由来。
学习率衰减
学习率衰减是指为了加快学习算法的收敛，学习率要随时间慢慢减少。
例子：
这里假设使用了 mini-batch 梯度下降法。
蓝线：使用固定的学习率 𝑎，在迭代过程中会有噪音，最后算法在最小值附近有较大的摆动，并不会精确收敛。
绿线：开始时学习率 𝑎 还较大，算法学习相对较快， 但随着 𝑎 变小，学习的步伐也变慢变小，最后算法在最小值的较小区域内摆动，收敛效果也较好。
控制学习率 𝑎 的衰减公式：
decayrate： 衰减率（超参数）
epoch-num：迭代的次数
𝛼0：初始学习率（超参数）
还有其它的学习率衰减公式：
1） 指数衰减：
2）按照迭代次数平方根的比例衰减：
𝑘：常数（超参数）
𝑡： mini-batch 的次数（类似迭代次数）
3）离散的阶梯衰减：如每过一会，就让学习率减少一半。
4）手动衰减：如果训练模型的数量较少，如一两个，可以通过观察训练过程，然后人工调整学习率。
注意：相比其它超参数，学习率衰减的相关超参数的优先级较低，可以最后再进行超参数地调整。
局部最优的问题
局部最优的理解（低维空间）：
低维空间的时候，我们直观上的局部最优点就像上图一样，有很多个局部最优点。
实际上，在高维空间中，如优化一个神经网络， 通常梯度为零的点并不是上图中的局部最优点，而是鞍点。如图：
所以我们对低维空间的局部最优的直觉理解，并不适用于高维空间中。
算法训练时遇到鞍点，会出现一个问题：鞍点的附近是一段停滞区（导数长时间接近零的一段区域），停滞区曲面很平坦，导致梯度下降很缓慢。如图：
要解决算法训练遇到鞍点的问题，这里就要使用高级优化算法（如：Momentum、RMSprop、Adam），高级优化算法可以加速学习速度，可以尽快地走出停滞区。
233
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
