2.10 m 个样本的梯度下降-深度学习-Stanford吴恩达教授

最新推荐文章于 2024-07-08 08:15:02 发布

Zhao-Jichao

最新推荐文章于 2024-07-08 08:15:02 发布

阅读量7.6k

点赞数 15

分类专栏：深度学习DL 文章标签：深度学习机器学习神经网络人工智能算法

本文链接：https://blog.csdn.net/weixin_36815313/article/details/105314502

版权

深度学习DL 专栏收录该内容

206 篇文章 2835 订阅

订阅专栏

←上一篇	↓↑	下一篇→
2.9 Logistic 回归的梯度下降法	回到目录	2.11 向量化

$m$ 个样本的梯度下降 (Gradient Descent on $m$ example)

在之前的视频中,你已经看到如何计算导数，以及应用梯度下降在逻辑回归的一个训练样本上。现在我们想要把它应用在 $m$ 个训练样本上。

在这里插入图片描述

首先，让我们时刻记住有关于损失函数 $J (w, b)$ 的定义。

$J(w,b)=\frac 1m \sum_{i=1}^m L(a^{(i)},y^{(i)})$

当你的算法输出关于样本 $y$ 的 $a^{(i)}$ ， $a^{(i)}$ 是训练样本的预测值，即： $\sigma(z^{(i)})=\sigma(w^Tx^{(i)}+b)$ 。所以我们在前面的幻灯中展示的是对于任意单个训练样本，如何计算微分当你只有一个训练样本。因此， $dw_1,\ dw_2$ 和 $d b$ 添上上标 $i$ 表示你求得的相应的值。如果你面对的是我们在之前的幻灯中演示的那种情况，但只使用了一个训练样本 $x^{(i)},y^{(i)})$ 。现在你知道带有求和的全局代价函数，实际上是1到 $m$ 项各个损失的平均。所以它表明全局代价函数对 $w_1$ 的微分，对 $w_1$ 的微分也同样是各项损失对 $w_1$ 微分的平均。

在这里插入图片描述

但之前我们已经演示了如何计算这项，即之前幻灯中演示的如何对单个训练样本进行计算。所以你真正需要做的是计算这些微分，如我们在之前的训练样本上做的。并且求平均，这会给你全局梯度值，你能够把它直接应用到梯度下降算法中。

所以这里有很多细节，但让我们把这些装进一个具体的算法。同时你需要一起应用的就是逻辑回归和梯度下降。

我们初始化

$J=0,dw_1=0,dw_2=0,db=0$

代码流程：

J=0;dw1=0;dw2=0;db=0;
for i = 1 to m
    z(i) = wx(i)+b;
    a(i) = sigmoid(z(i));
    J += -[y(i)log(a(i))+(1-y(i)）log(1-a(i));
    dz(i) = a(i)-y(i);
    dw1 += x1(i)dz(i);
    dw2 += x2(i)dz(i);
    db += dz(i);
J/= m;
dw1/= m;
dw2/= m;
db/= m;
w=w-alpha*dw
b=b-alpha*db

幻灯片上只应用了一步梯度下降。因此你需要重复以上内容很多次，以应用多次梯度下降。看起来这些细节似乎很复杂，但目前不要担心太多。希望你明白，当你继续尝试并应用这些在编程作业里，所有这些会变的更加清楚。

但这种计算中有两个缺点，也就是说应用此方法在逻辑回归上你需要编写两个for循环。第一个for循环是一个小循环遍历 $m$ 个训练样本，第二个for循环是一个遍历所有特征的for循环。这个例子中我们只有2个特征，所以 $n$ 等于2并且 $n_x$ 等于2。但如果你有更多特征，你开始编写你的因此 $dw_1$ ， $dw_2$ ，你有相似的计算从 $dw_3$ 一直下去到 $dw_n$ 。所以看来你需要一个for循环遍历所有 $n$ 个特征。

当你应用深度学习算法，你会发现在代码中显式地使用for循环使你的算法很低效，同时在深度学习领域会有越来越大的数据集。所以能够应用你的算法且没有显式的for循环会是重要的，并且会帮助你适用于更大的数据集。所以这里有一些叫做向量化技术,它可以允许你的代码摆脱这些显式的for循环。

我想在先于深度学习的时代，也就是深度学习兴起之前，向量化是很棒的。可以使你有时候加速你的运算，但有时候也未必能够。但是在深度学习时代向量化，摆脱for循环已经变得相当重要。因为我们越来越多地训练非常大的数据集，因此你真的需要你的代码变得非常高效。所以在接下来的几个视频中，我们会谈到向量化，以及如何应用向量化而连一个for循环都不使用。所以学习了这些，我希望你有关于如何应用逻辑回归，或是用于逻辑回归的梯度下降，事情会变得更加清晰。当你进行编程练习，但在真正做编程练习之前让我们先谈谈向量化。然后你可以应用全部这些东西，应用一个梯度下降的迭代而不使用任何for循环。