如果要优化成本函数,函数如下图所示,红点代表最小值的位置。假设从边缘开始梯度下降,如果进行梯度下降法的一次迭代,无论是batch还是mini-batch下降法,都会产生较大的迭代波动,这会导致花费更多的时间。同时为了避免摆动过大,需要用一个较小的学习率。
另一个看待问题的角度是,如果,在竖轴上我们希望摆动小一点,同时,在横轴上希望摆动能大一点,所以我们使用Momentum梯度下降法。我们需要做的是,在每次迭代中,确切来说在第t次迭代的过程中,需要计算微分
d
w
dw
dw,
d
b
db
db,用现有的mini-batch计算
d
w
dw
dw和
d
b
db
db。如果用batch梯度下降法,现在的mini-batch就是全部的batch,对于batch梯度下降法的效果是一样的。如果现有的mini-batch就是整个训练集,效果也不错。
我们要做的是 V d w = β ∗ V d w + ( 1 − β ) ∗ d W V_{dw}=\beta*V_{dw}+(1-\beta)*dW Vdw=β∗Vdw+(1−β)∗dW同样的计算 V d b = β ∗ V d b + ( 1 − β ) ∗ d b V_{db}=\beta*V_{db}+(1-\beta)*db Vdb=β∗Vdb+(1−β)∗db然后更新权重 w = w − α ∗ V d w w=w-\alpha*V_{dw} w=w−α∗Vdw b = b − α ∗ V d b b=b-\alpha*V_{db} b=b−α∗Vdb这样就可以减缓梯度下降的幅度。
Momentum的一个本质,如果想要最小化碗状函数,Momentum能够最小化碗状函数, d W dW dW和 d b db db可以想象它们为从山上往下滚的一个球,提供了加速度,Momentum项就相当于速度。想象有一个碗,拿一个球,微分给了这个球一个加速度,此时球正向山下滚,球因为加速度越滚越快,而因为 β \beta β稍小于1,表现出一些摩擦力,所以球不会无限加速下去。所以不像梯度下降法每一步都独立于之前的步骤,球可以向下滚,获得动量。
看一下具体如何计算,算法有两个超参数,学习率
α
\alpha
α和参数
β
\beta
β,
β
\beta
β控制着指数加权平均数,
β
\beta
β最常用的值是0.9,平均了前十次迭代的梯度。实际上
β
\beta
β为0.9时效果不错。
V
d
w
=
β
∗
V
d
w
+
1
−
β
∗
d
W
V_{dw}=\beta*V_{dw}+{1-\beta}*dW
Vdw=β∗Vdw+1−β∗dW
V
d
b
=
β
∗
V
d
b
+
(
1
−
β
)
∗
d
b
V_{db}=\beta*V_{db}+(1-\beta)*db
Vdb=β∗Vdb+(1−β)∗db
W
=
W
−
α
∗
V
d
w
W=W-\alpha*V_{dw}
W=W−α∗Vdw
b
=
b
−
α
∗
V
d
b
b=b-\alpha*V_{db}
b=b−α∗Vdb关于偏差修正,需要计算
V
d
w
1
−
β
t
\frac{V_{dw}}{1-\beta^t}
1−βtVdw,实际上我们并不使用偏差修正。因为10次迭代之后,移动平均已经过了初始阶段,不再是一个具有偏差的预测。实际上,在使用梯度下降法或者Momentum时,不会受到偏差修正的困扰。当然
V
d
w
V_{dw}
Vdw的初始值为0。