梯度下降算法对比（批量下降/随机下降/mini-batch）

大规模机器学习：

 

 

 

线性回归的梯度下降算法：Batch gradient descent(每次更新使用全部的训练样本)

 

批量梯度下降算法（Batch gradient descent）：

每计算一次梯度会遍历全部的训练样本，如果训练样本的比较多时，内存消耗过大。

 

随机梯度下降算法：

1、 首先将随机打乱的训练样本数据

2、 外循环：（一般2—10次即可，若内循环中次数100000以上，则一次即可）

内循环：遍历所有的训练样本，每次梯度下降时使用一个样本计算梯度。

与批量梯度像算法相比，其下降曲线不停，图中右侧红色表示批量梯度下降算法，洋红表示随机梯度下降算法。

 

Mini-Batch梯度下降算法

1、 设置每次遍历的样本数b

2、 外循环：

内循环：遍历所有的样本，每b个样本更新一次梯度

 

 

对比：

批量下降：每次梯度更新使用全部的样本

随机下将：每次梯度更新使用1个样本

Mini-batch:每次梯度更新使用b个样本，b>1，小于全部的样本数。

 

随机梯度下降算法的收敛：

1、 在更新梯度前计算损失函数：

2、 比如：绘制损失函数的曲线每1000个样本

 

 

 

 

转载于:https://www.cnblogs.com/abella/p/10348332.html