机器学习笔记 Gradient Descent--递归下降

Gradient Descent

Review

在第三步，我们得通过调整参数θ去使损失函数达的结果达到最小，既找到评分最高的function的参数θ。

我们通过η学习率(调整的幅度)和偏导(调整的方向)去调整参数θ。
调整的过程就是Gradient Descent

在θ处的Gradient为：

【梯度代表上升最快的方向，所以我们要减去梯度，既往下降最快的方向走】
进一步把方程写成：

Learning Rate的影响

下图左图，
（1）当Learning Rate设置的很小时，Loss下降的速度会很慢；
（2）当Learning Rate比较大时，第一次Loss下降的比较快，然后就在“山谷”来回震荡，下降速度变缓慢；
（3）当Learning Rate设置的很大时，Loss直接飞了出去，急剧变大。
Conclusion：所以我们应该小心的选择Learning Rate。

Adaptive Learning Rates调整Learning Rates
比较流行也比较简单的方法是：在每一轮的参数调整后减少学习率。
（1）在刚开始，我们可以选择较大的学习率。因为我们离“山谷”会比较远。
（2）在几轮结束后，我们可以选择减小学习率。因为我们离“山谷”比较近。

例如：
t：第t轮。在每轮之后都去适当的减小学习率。

【但该公式不可能适合所有的参数调整过程，也许我们可以为不同的参数调整设置不同的学习率】

Adagrad自适应梯度算法
对每个参数设置不同的学习率方程

（1）普通的梯度下降：

（2）Adagrad自适应梯度算法

σ为历史偏导平方和的平均值再开根号

将对应式子带入，可以消掉分子

【个人理解，首先σ是逐渐增大的，保证了学习率会逐渐减小；当偏导很大时，表示下降幅度比较大，“山谷”可能会比较窄，所有学习率减小的应该多一些，所有σ会比较大，从而学习率减少的比较大】

Best Step？每次跨多大步伐是最好的？
取一个二次方程为例子
上图上部分是function的图像，下部分是function一阶导数图像。

可以看出x₀点到达局部最优点的Best step为|x₀+b/(2a)|。可化简为：

所以Best step与 2ax₀+b 成正比，而2ax₀+b正好是该函数的一阶导数，所以Best step和一阶导成正比。

但这结论不能跨越参数，既对于每个参数都有自己的Best step距离。
如上图，对于两个不同的参数，他们对于的Loss曲线是不同的，对于的一阶导也存在差异，一个Best step不能同时反应w₁和w₂距离最佳点的距离。

我们在观察一下上述Best step 的分母，

可以发现分子其实就是function的二次导数。所以Best step和二次导数成反比
【我的理解：二次导数代表凹凸性，所以当二次导数很大时，代表函数比较尖，或者说山谷比较窄，Best step就应该比较小】

conclusion：Best step应该正比于一阶导，反比于二阶导

那Adagrad中的分母是二阶导，分子是一阶导吗？

（1）首先η是学习率，可以看作一个常数。
（2）而g^t代表梯度，本身就是一阶导；
（3）分母就是使用一阶导数取估值二阶导数

根据上图，当二阶导数比较小时，他的一阶导数通常也比较小；当二阶导数比较大时，他的一阶导数通常也比较大。所有可以通过采样一阶导数去估计二阶导数大小。

Stochastic Gradient Descent(随机梯度下降法)
（1）普通梯度下降的损失函数：
Loss Function对每个训练案例都要考虑。

普通梯度下降的参数update：
update过程中每一个训练案例都会被考虑到

（2）Stochastic Gradient Descent
损失函数：
只考虑一个example/输出案例。与普通梯度下降Loss function的区别是，去掉了最外层的求和，因为只有一个example。

随机梯度下降的参数update：
update过程中只考虑一个example，每输入一个example更新一次

下降过程对比：

因为随机梯度下降在遇到每一个example都会update一次，所以下降的会相对比较快。

Feature Scaling(特征缩放)

当两个输入的feature分布的范围相差比较大时，可以进行特征缩放，让两个输入feature分布范围范围相差不大。

为什么呢？

上图左边是未特征缩放前，输出的结果y会很大程度依赖于x₂，Loss 在梯度下降时不会向中心下降，因为w₂和w₁对于Loss的贡献不同，所以w₁和w₂下降过程中会走些弯路。
右边是特征值缩放后，在下降过程中w₁和w₂对于Loss贡献差不多，所以在下降过程中大致朝着中心下降，少走些弯路。

数学角度看梯度下降

从图上看，其实就只在θ的附近进行探索Loss最低点，一步一步挪向最低点。

由泰勒级数，可以将函数写成：

当x无限接近x₀，可以把函数缩写为：

若有两个参数呢？如下图

在回到开始的那张图，当红圈足够小，就可以使用泰勒级数来替换Loss Function。

当(θ₁，θ₂）无限接近(a，b)，将Loss function写成：

我们要做的是在红圈里面找最低点，所以 (θ₁-a)²+(θ₂-b)²≤d²

对于L(θ)，u,v,s是常数，所以找最小值只看θ₁和θ₂。
(θ₁，θ₂)什么情况下会使Loss最小呢？
显然，(△θ₁，△θ₂)与(u，v)反向时，Loss最小。

η控制迈出的步子有多大，应该要刚好碰到红圈边缘。

最后提出一个问题：每一次更新参数，获得的参数都会使 L(θ)更小吗？
不会，因为有时候你步子迈大了，方向使朝着最低点去，但是未必能上到最低点，也有迈过“山谷”可能往“山峰”上走了。