深度学习笔记（二）（2）优化算法

深度学习笔记（二）（2）优化算法

返回目录

2.1 Mini-batch 梯度下降（Mini-batch gradient descent）

2.2 理解 mini-batch 梯度下降法（Understanding mini-batch gradient descent）

你需要决定的变量之一是 mini-batch 的大小，𝑚就是训练集的大小，极端情况下:
如果 mini-batch 的大小等于𝑚，其实就是 batch 梯度下降法，在这种极端情况下，你就有了 mini-batch 𝑋{1}和𝑌{1}，并且该 mini-batch 等于整个训练集，所以把 mini-batch 大小设为𝑚可以得到 batch 梯度下降法。
另一个极端情况，假设 mini-batch 大小为 1，就有了新的算法，叫做随机梯度下降法，每个样本都是独立的 mini-batch，当你看第一个 mini-batch，也就是𝑋{1}和𝑌{1}，如果 minibatch 大小为 1，它就是你的第一个训练样本，这就是你的第一个训练样本。接着再看第二个 mini-batch，也就是第二个训练样本，采取梯度下降步骤，然后是第三个训练样本，以此类推，一次只处理一个。
随机梯度下降法的一大缺点是，你会失去所有向量化带给你的加速。
mini-batch 大小选取原则：
如果训练集较小，直接使用 batch 梯度下降法。
不然，样本数目较大的话，一般的 mini-batch 大小为 64 到 512，考虑到电脑内存设置和使用的方式，如果 minibatch 大小是 2 的𝑛次方，代码会运行地快一些。
最后需要注意的是在你的 mini-batch 中，要确保𝑋{𝑡}和𝑌{𝑡}要符合 CPU/GPU 内存，取决于你的应用方向以及训练集的大小。

2.3 指数加权平均数（Exponentially weighted averages）

所以指数加权平均数经常被使用，它在统计学中被称为指数加权移动平均值，我们就简称为指数加权平均数。通过调整这个参数（𝛽），或者说后面的算法学习，你会发现这是一个很重要的参数，可以取得稍微不同的效果，往往中间有某个值效果最好，𝛽为中间值时得到的红色曲线，比起绿线和黄线更好地平均了温度。
β一般取0.9。

2.4 理解指数加权平均数（ Understanding exponentially weighted averages）

（0.1，0.1 × 0.9，0.1 × (0.9)^2，0.1 × (0.9)^3 …），相加起来为 1 或者逼近 1，我们称之为偏差修正.
0.9^10≈1/e，设
则
指数加权平均数公式的好处之一在于，它占用极少内存，电脑内存中只占用一行数字而已

2.5 指 数 加 权 平 均 的 偏 差 修 正 （ Bias correction in exponentially weighted averages）

了偏差。会发现随着𝑡增加，𝛽^𝑡接近于 0所以当𝑡很大的时候，偏差修正几乎没有作用，因此当𝑡较大的时候，紫线基本和绿线重合了。不过在开始学习阶段，你才开始预测热身练习，偏差修正可以帮助你更好预测温度，偏差修正可以帮助你使结果从紫线变成绿线。
在机器学习中，在计算指数加权平均数的大部分时候，大家不在乎执行偏差修正，因为大部分人宁愿熬过初始时期，拿到具有偏差的估测，然后继续计算下去。如果你关心初始时期的偏差，在刚开始计算指数加权移动平均数的时候，偏差修正能帮助你在早期获取更好的估测。

2.6 动量梯度下降法（Gradient descent with Momentum）

运行速度几乎总是快于标准的梯度下降算法，简而言之，基本的想法就是计算梯度的指数加权平均数，并利用该梯度更新你的权重.

计算方法

最后要说一点，如果你查阅了动量梯度下降法相关资料，你经常会看到一个被删除了的专业词汇，1 − 𝛽被删除了，二者都行，不过吴老师喜欢这个那就是这个了。

2.7 RMSprop

root mean square prop 算法，它也可以加速梯度下降。

实现细节：
要确保你的算法不会除以 0，如果𝑆𝑑𝑊的平方根趋近于 0 怎么办？得到的答案就非常大，为了确保数值稳定，在实际操练的时候，你要在分母上加上一个很小很小的𝜀，𝜀是多少没关系，10^−8是个不错的选择，这只是保证数值能稳定一些，无论什么原因，你都不会除以一个很小很小的数。
RMSprop 跟 Momentum 有很相似的一点，可以消除梯度下降中的摆动

2.8 Adam 优化算法(Adam optimization algorithm)

Adam 优化算法基本上就是将 Momentum 和 RMSprop 结合在一起.

除了第一个，其他的都有推荐常用值。
Adam 代表的是 Adaptive Moment Estimation，
𝛽1用于计算这个微分（𝑑𝑊），叫做第一矩，𝛽2用来计算平方数的指数加权平均数（(𝑑𝑊)2），叫做第二矩，所以 Adam 的名字由此而来，但是大家都简称 Adam 权威算法

2.9 学习率衰减(Learning rate decay)

慢慢减少𝑎的本质在于，在学习初期，你能承受较大的步伐，但当开始收敛的时候，小一些的学习率能让你步伐小一些。


有时人们也会用一个离散下降的学习率，也就是某个步骤有某个学习率，一会之后，学习率减少了一半，一会儿减少一半，一会儿又一半，这就是离散下降（discrete stair cease）的意思。还有手动衰减的办法。。。

2.10 局部最优的问题(The problem of local optima)

W1,W2是想要优化的参数。
事实上，如果你要创建一个神经网络，通常梯度为零的点并不是这个图中的局部最优点，实际上成本函数的零梯度点，通常是鞍点。
局部最优不是问题，问题是平稳段会减缓学习，平稳段是一块区
域，其中导数长时间接近于 0，梯度会从曲面从从上向下下降，因为梯度等
于或接近 0，曲面很平坦，你得花上很长时间慢慢抵达平稳段的这个点。
第二点，平稳段是一个问题，这样使得学习十分缓慢。

因为你的网络要解决优化问题，说实话，要面临如此之高的维度空间，我觉得没有人有那么好的直觉，知道这些空间长什么样，而且我们对它们的理解还在不断发展，不过我希望这一点能够让你更好地理解优化算法所面临的问题。

返回目录