机器学习中梯度下降的几种方式

批量梯度下降

1. 定义：批量梯度下降的一次训练喂入训练集中的所有数据，使用所有数据来更新权重，也就是batch_size=训练集大小

2. 算法

3. 特点

• 求和中的运算都是向量运算
• 参数的更新需要计算所有数据的平均值之后才能进行更新，更新缓慢，时间复杂度是O(n)，但是下降路径十分平滑

随机梯度下降

1. 定义：每次进行参数更新的时候仅仅使用数据集中的一个数据，也即batch_size = 1

2. 算法
   

3. 特点

   • 更新参数的时候每次只用计算一个数据，因此能够更快地更新参数
   • 但是因为每次只使用了一个数据，所以更新参数的时候受单个数据的影响较大。所以学习中不确定性和震荡性会增大，收敛路径不平滑

小批量梯度下降

1. 定义：结合了前面两种方式的优点

2. 算法
   

3. 特点

   • 下降迅速并且稳定
   • 容易进行并行化的操作