Gradient Descent(梯度下降)
假设权值系数
θ
\theta
θ 包含两个变量
{
θ
1
,
θ
2
}
\{\theta_1,\theta_2\}
{θ1,θ2}
随机选取初始值
θ
0
=
[
θ
1
0
θ
2
0
]
\theta^0=\begin{bmatrix}\theta_1^0\\\theta_2^0\end{bmatrix}
θ0=[θ10θ20]
之后不断计算偏导进行迭代至收敛
这里微分
∇
L
=
[
∂
L
(
θ
1
)
/
∂
θ
1
∂
L
(
θ
2
)
/
∂
θ
2
]
\nabla L=\begin{bmatrix}\partial L(\theta_1)/\partial \theta_1\\\partial L(\theta_2)/\partial \theta_2\end{bmatrix}
∇L=[∂L(θ1)/∂θ1∂L(θ2)/∂θ2]
关于对学习速率 η \eta η 的调整
在实际运用中,尽管我们很大程度上希望可以通过 Gradient Descent 逐渐找到最优解,但是选取
η
\eta
η 并没有那么简答,在此,我们的函数需要满足 convex function,我们在这个前提下讨论如何调整学习速率
η
\eta
η。
从上图我们容易看出,
η
\eta
η 选取的过大过小都有影响,
η
\eta
η 偏小导致学习速度慢,
η
\eta
η 偏大则可能震荡导致无法收敛到最优解。我们需要的是一个合适对
η
\eta
η 的选择和调整的方法
最流行也是最简单的做法就是:在每一轮都通过一些因子来减小学习速率 η \eta η。
最开始时,我们距离最低点很远,所以我们用较大的学习速率 η \eta η。
经过几次迭代后,我们接近了最低点,所以我们减少学习速率 η \eta η。
比如: 1/t 衰减: η t = η / t + 1 {\eta}^t=\eta/\sqrt{t+1} ηt=η/t+1
学习速率不能从一而终
要给不同的参数设置不同的学习速率 η \eta η。
这里给出一个比较好的方法—梯度下降法 Adagrad
其中
η
t
=
η
t
+
1
\eta ^t=\frac{\eta}{\sqrt{t+1}}
ηt=t+1η
g
t
=
∂
L
(
θ
t
)
∂
w
g ^t=\frac{\partial L(\theta^t)}{\partial{w}}
gt=∂w∂L(θt)
σ
t
=
1
t
+
1
∑
i
=
0
t
(
g
i
)
2
\sigma ^t=\sqrt{\frac{1}{t+1}\sum\limits_{i=0}^t(g^i)^2}
σt=t+11i=0∑t(gi)2
这样操作后,每组的学习速率
η
\eta
η 都不一样。
注意到
η
t
\eta ^t
ηt 和
g
t
g^t
gt 中存在可以约分的因子
这样,越到后面,学习速率也会越慢。
那么,为什么在 Adagrad 中要引入
∑
i
=
0
t
(
g
i
)
2
\sqrt{\sum\limits_{i=0}^t(g^i)^2}
i=0∑t(gi)2 这个分母呢
直观的解释是:Adagrad 强调的是方差的效果
当我们仔细分析一下其中的原因,举一个一元二次函数的例子
之后,我们又可以发现最优步长的分母其实是函数的二阶微分,
∂
2
y
∂
x
2
=
2
a
\frac{\partial^2y}{\partial x^2}=2a
∂x2∂2y=2a,所以最优的步长选择应该是
∣
F
i
r
s
t
d
e
r
i
v
a
t
i
v
e
∣
∣
S
e
c
o
n
d
d
e
r
i
v
a
t
i
v
e
∣
\frac{|First\ derivative|}{|Second\ derivative|}
∣Second derivative∣∣First derivative∣
同样对于多个参数的情况,我们也要考虑二阶微分,最优的步长选择是
∣
F
i
r
s
t
d
e
r
i
v
a
t
i
v
e
∣
∣
S
e
c
o
n
d
d
e
r
i
v
a
t
i
v
e
∣
\frac{|First\ derivative|}{|Second\ derivative|}
∣Second derivative∣∣First derivative∣
那么在 Adagrade 中可以类比使用
∣
F
i
r
s
t
d
e
r
i
v
a
t
i
v
e
∣
∣
S
e
c
o
n
d
d
e
r
i
v
a
t
i
v
e
∣
\frac{|First\ derivative|}{|Second\ derivative|}
∣Second derivative∣∣First derivative∣ 这种形式,但是 Adagrade 中并没有使用这种一阶微分比上二阶微分,因为这样会加大计算量,导致运行速率降低,所以,我们使用一阶微分来估计二阶微分的数值并代替使用。
随机梯度下降算法(SGD)
Stochastic Gradient Descent
SGD中,每次更新参数只使用一个样本,这样就可以快速的完成训练过程。
很显然,随机梯度下降算法的运算量小,效率也就越高
Feature Scaling(特征缩放)
让不同的特征值具有相同的缩放程度。
比如说,一个函数模型中有两个特征,但是它们分布范围不一样。那我们可以进行一定的缩放,让它们的范围大小相近。让这些特征值具有相同的缩放程度。
y
=
b
+
w
1
x
1
+
w
2
x
2
\ y=b+w_1x_1+w_2x_2
y=b+w1x1+w2x2
比分说上面的这个函数模型,特征值的范围大小会对他们的损失函数
L
L
L 造成一定的影响。
那么怎么实现 Feature Scaling(特征缩放)
方法非常多,一种常见的做法如下:
每一个对象都有一组特征值,对于每一个维度的特征值(绿色框)计算其平均数,记作
m
i
m_i
mi ,计算标准差,记作
σ
i
\sigma_i
σi。
然后用第
r
r
r 个对象中的第
i
i
i 个输入,减掉平均数
m
i
m_i
mi ,除以标准差
σ
i
\sigma_i
σi。得到的结果是所有的维数都是 0,所有的方差都是 1。