本文作为自己学习李宏毅老师2021春机器学习课程所做笔记,记录自己身为入门阶段小白的学习理解,如果错漏、建议,还请各位博友不吝指教,感谢!!
Critical Point
当我们观察训练集上的Loss出现如下两种形式时:
- 蓝色线:当Loss下降到一定程度后,便不再减小。但此时的Loss并不能满足我们对模型的要求。
- 橙色线:Loss一直没有下降。
出现上述两种情况的原因可能是:损失函数的梯度(gradient)非常接近零,导致损失函数更新后不会下降。在训练过程中如果损失函数陷入局部最小值(Local minima)或鞍点(saddle point)都会出现上述优化失败的情况,这两种情况统称为critical point。
Local Minima
对于很多非线性优化问题,会存在若干个局部最小值(Local Minima),其对应的解称为局部最小解(Local Minimizer)。
局部最小解定义
存在一个 δ > 0 \delta>0 δ>0,对于所有的满足 ∣ ∣ x − x ∗ ∣ ∣ ≤ δ ||x-x^*|| \le \delta ∣∣x−x∗∣∣≤δ的 x x x,都有 f ( x ∗ ) ≤ f ( x ) f(x^*) \le f(x) f(x∗)≤f(x)。也就是说,在 x ∗ x^* x∗的邻域内,所有的函数值都大于等于 f ( x ∗ ) f(x^*) f(x∗)。
PS:此处的 x x x指的是模型中的未知参数,即 θ \theta θ。
判断局部最小值
要确定一个点 x ∗ x^* x∗是否为局部最小解,通过比较它的邻域内有没有更小的函数值是不现实的。如果函数 f ( x ) f(x) f(x)是二次连续可微的,我们可以通过检查目标函数在 x ∗ x^* x∗的梯度 ∇ f ( x ∗ ) \nabla f(x^*) ∇f(x∗)和Hessian矩阵 ∇ 2 f ( x ∗ ) \nabla^2 f(x^*) ∇2f(x∗)来判断。
局部最小解的一阶必要条件:如果 x ∗ x^* x∗为局部最小解并且函数 f f f在 x ∗ x^* x∗的邻域内一阶可微,则在 ∇ f ( x ∗ ) = 0 \nabla f(x^*)=0 ∇f(x∗)=0.
证明:
如果函数
f
(
x
)
f(x)
f(x)是连续可微的,根据泰勒公式(Taylor‘s Formula),函数
f
(
x
)
f(x)
f(x)的一阶展开可以近似为:
f
(
x
∗
+
Δ
x
)
=
f
(
x
∗
)
+
Δ
x
T
∇
f
(
x
∗
)
f(x^*+\Delta x) =f(x^*)+\Delta x^T \nabla f(x^*)
f(x∗+Δx)=f(x∗)+ΔxT∇f(x∗)
假设
∇
f
(
x
∗
)
≠
0
\nabla f(x^*) \ne 0
∇f(x∗)=0,则可以找到一个
Δ
x
\Delta x
Δx(比如
Δ
x
=
−
α
∇
f
(
x
∗
)
\Delta x=-\alpha \nabla f(x^*)
Δx=−α∇f(x∗),
α
\alpha
α为很小的正数),使得
f
(
x
∗
+
Δ
x
)
−
f
(
x
∗
)
=
Δ
x
T
∇
f
(
x
∗
)
≤
0.
f(x^*+\Delta x) -f(x^*) = \Delta x^T \nabla f(x^*) \le 0.
f(x∗+Δx)−f(x∗)=ΔxT∇f(x∗)≤0.
这和局部最小的定义矛盾。
局部最小解的二阶必要条件:如果 x ∗ x^* x∗为局部最小解并且函数 f f f在 x ∗ x^* x∗的邻域内二阶可微,则在 ∇ f ( x ∗ ) = 0 \nabla f(x^*)=0 ∇f(x∗)=0, ∇ 2 f ( x ∗ ) \nabla^2 f(x^*) ∇2f(x∗)为半正定矩阵。
证明:
如果函数
f
(
x
)
f(x)
f(x)是二次连续可微,函数
f
(
x
)
f(x)
f(x)的二阶展开可以近似为:
f
(
x
∗
+
Δ
x
)
=
f
(
x
∗
)
+
Δ
x
T
∇
f
(
x
∗
)
+
1
2
Δ
x
T
(
∇
2
f
(
x
∗
)
)
Δ
x
f(x^* + \Delta x) = f(x^*) + \Delta x^T \nabla f(x^*) + \frac{1}{2}\Delta x^T (\nabla^2 f(x^*) )\Delta x
f(x∗+Δx)=f(x∗)+ΔxT∇f(x∗)+21ΔxT(∇2f(x∗))Δx
由一阶必要定理可知
∇
f
(
x
∗
)
=
0
\nabla f(x^*)=0
∇f(x∗)=0,则:
f
(
x
∗
+
Δ
x
)
−
f
(
x
∗
)
=
1
2
Δ
x
T
(
∇
2
f
(
x
∗
)
)
Δ
x
≥
0.
f(x^* + \Delta x) - f(x^*) = \frac{1}{2} \Delta x^T(\nabla^2f(x^*))\Delta x \ge 0.
f(x∗+Δx)−f(x∗)=21ΔxT(∇2f(x∗))Δx≥0.
即
∇
2
f
(
x
∗
)
\nabla^2f(x^*)
∇2f(x∗)为半正定矩阵。
Saddle Point
鞍点的叫法是因为其形状像马鞍.鞍点的特征是一阶梯度为 0,但是二阶梯度的 Hessian矩阵不是半正定矩阵。
如上图所示:鞍点处,参数关于损失函数的一阶梯度为0。但鞍点在一些维度上是最小值,在另一些维度上又是最大值。通过某些方法是可以让优化方法逃离鞍点的。
判断Critical Point类型
当目标函数处于Critical Point时,可能是有Local min、Local max和Saddle point三种情况,如下图所示:
具体判断是哪一种情况,我们可以采用和判断是否为局部最小解一样的方法。
- 首先使用泰勒公式近似的表示Critical Point周围的点
θ
\theta
θ:
L ( θ ) ≈ L ( θ ′ ) + ( θ − θ ′ ) T g + 1 2 ( θ − θ ′ ) T H ( θ − θ ′ ) L(\theta) \approx L(\theta') + (\theta - \theta')^Tg + \frac{1}{2}(\theta-\theta')^TH(\theta-\theta') L(θ)≈L(θ′)+(θ−θ′)Tg+21(θ−θ′)TH(θ−θ′)
其中 g g g是一个向量,即:
g = ∇ L ( θ ′ ) g i = ∂ L ( θ ′ ) ∂ θ i g = \nabla L(\theta') \qquad g_i=\frac{\partial L(\theta')}{\partial \theta_i} g=∇L(θ′)gi=∂θi∂L(θ′)
H H H是一个Hessian矩阵:
H i j = ∂ 2 L ( θ ′ ) ∂ θ i ∂ θ j H_{ij}=\frac{\partial^2L(\theta')}{\partial \theta_i \partial \theta_j} Hij=∂θi∂θj∂2L(θ′)
如下图所示,其中 ( θ − θ ′ ) T g (\theta - \theta')^Tg (θ−θ′)Tg表示绿线部分, 1 2 ( θ − θ ′ ) T H ( θ − θ ′ ) \frac{1}{2}(\theta-\theta')^TH(\theta-\theta') 21(θ−θ′)TH(θ−θ′)表示红线部分(同时表示critical points处的性质),两者同时来弥补 L ( θ ) L(\theta) L(θ)和 L ( θ ′ ) L(\theta') L(θ′)之间的差异。
- 因为目标函数处于Critical Point,所以此处的梯度
g
g
g为0,所以上面的公式可以表示为:
L ( θ ) ≈ L ( θ ′ ) + 1 2 ( θ − θ ′ ) T H ( θ − θ ′ ) L(\theta) \approx L(\theta') + \frac{1}{2}(\theta-\theta')^TH(\theta-\theta') L(θ)≈L(θ′)+21(θ−θ′)TH(θ−θ′)
从该公式中,我们可以看出 θ ′ \theta' θ′处是何种critical point是取决于 1 2 ( θ − θ ′ ) T H ( θ − θ ′ ) \frac{1}{2}(\theta-\theta')^TH(\theta-\theta') 21(θ−θ′)TH(θ−θ′)的符号。 - 令
(
θ
−
θ
′
)
=
v
(\theta - \theta') = v
(θ−θ′)=v,有:
1)当 H H H是正定矩阵(所有的特征值是正的),有 v T H v > 0 v^THv>0 vTHv>0,也就是 L ( θ ) > L ( θ ′ ) L(\theta)>L(\theta') L(θ)>L(θ′),即 θ ′ \theta' θ′处是Local minima。
2)当 H H H是负定矩阵(所有的特征值是负的),有 v T H v < 0 v^THv<0 vTHv<0,也就是 L ( θ ) < L ( θ ′ ) L(\theta)<L(\theta') L(θ)<L(θ′),即 θ ′ \theta' θ′处是Local maxima。
3)当 H H H是半正定矩阵(特征值有正、有负),有时 v T H v > 0 v^THv>0 vTHv>0,有时 v T H v < 0 v^THv < 0 vTHv<0,也就是即 θ \theta θ处是Saddle Point。
以一个简单的例子来看:
Function:
y
=
w
1
w
2
x
y=w_1w_2x
y=w1w2x,如下图所示:
这里令
x
=
1
y
^
=
1
x=1 \quad \hat{y}=1
x=1y^=1
根据
g
=
0
g=0
g=0可以求得
w
1
=
0
和
w
2
=
0
w_1=0 和 w_2=0
w1=0和w2=0,由此得到hessian,并解出特征值
λ
1
=
2
\lambda_1=2
λ1=2和
λ
2
=
−
2
\lambda_2=-2
λ2=−2,所以
x
x
x位于Saddle Point处。
参考资料:
- 《神经网络与深度学习》 邱锡鹏
- 有关正定矩阵知识:https://blog.csdn.net/asd136912/article/details/79146151