loss下降auc下降_理解梯度下降

介绍

在这篇文章中，我们将了解什么是真正的梯度下降，为什么它变得流行，为什么AI和ML中的大多数算法都遵循这种技术。

在开始之前，梯度下降实际上意味着什么？听起来很奇怪对吧！

柯西是1847年第一个提出梯度下降的人

嗯，梯度这个词的意思是一个性质的增加和减少！而下降意味着向下移动的动作。所以，总的来说，在下降到某个地方然后观察并且继续下降的行为被称为梯度下降

所以，在正常情况下，如图所示，山顶的坡度很高，通过不断的移动，当你到达山脚时的坡度最小，或者接近或等于零。同样的情况在数学上也适用。

让我们看看怎么做

梯度下降数学

所以，如果你看到这里的形状和这里的山是一样的。我们假设这是一条形式为y=f(x)的曲线。

这里我们知道，任何一点上的斜率都是y对x的导数，如果你用曲线来检查，你会发现，当向下移动时，斜率在尖端或最小位置减小并等于零，当我们再次向上移动时，斜率会增加

记住这一点，我们将研究在最小点处x和y的值会发生什么，

观察下图，我们有不同位置的五个点！

当我们向下移动时，我们会发现y值会减小，所以在这里的所有点中，我们在图的底部得到了相对最小的值。因此，我们的结论是我们总是在图的底部找到最小值(x，y)。现在让我们看看如何在ML和DL中传递这个，以及如何在不遍历整个图的情况下达到最小点？

在任何一种算法中，我们的主要目的是最小化损失，这表明我们的模型表现良好。为了分析这一点，我们将使用线性回归

因为线性回归使用直线来预测连续输出-

设直线y=w*x+c

这里我们需要找到w和c，这样我们就得到了使误差最小化的最佳拟合线。所以我们的目标是找到最佳的w和c值

我们从一些随机值开始w和c，我们根据损失更新这些值，也就是说，我们更新这些权重，直到斜率等于或接近于零。

我们将取y轴上的损失函数，x轴上有w和c。查看下图-

为了在第一个图中达到最小的w值，请遵循以下步骤-

1. 用w和c开始计算给定的一组x _values的损失。
2. 绘制点，现在将权重更新为- w_new =w_old – learning_rate * slope at (w_old,loss)

重复这些步骤，直到达到最小值！

• 我们在这里减去梯度，因为我们想移到山脚下，或者朝着最陡的下降方向移动
• 当我们减去后，我们会得到一个比前一个小的斜率，这就是我们想要移动到斜率等于或接近于零的点
• 我们稍后再讨论学习率

这同样适用于图2，即损失和c的函数

现在的问题是为什么要把学习率放在等式中？因为我们不能在起点和最小值之间遍历所有的点

我们需要跳过一些点

• 我们可以在最初阶段采取大步行动。

• 但是，当我们接近最小值时，我们需要小步走，因为我们可能会越过最小值，移动到一个斜坡的地方增加。为了控制图的步长和移动，引入了学习速率。即使没有学习速率，我们也会得到最小值，但我们关心的是我们的算法要更快!!

下面是一个使用梯度下降的线性回归的示例算法。这里我们用均方误差作为损失函数-

1.用零初始化模型参数

m=0，c=0

2.使用(0,1)范围内的任何值初始化学习速率

lr=0.01

误差方程-

现在用(w*x+c)代替Ypred并计算偏导

3.c也一样可以计算得出

4.将此应用于所有epoch的数据集

for i in range(epochs):          y_pred = w * x +c          D_M = (-2/n) * sum(x * (y_original - y_pred))          D_C = (-2/n) * sum(y_original - y_pred)

这里求和函数一次性将所有点的梯度相加！

更新所有迭代的参数

W = W – lr * D_M

C = C – lr * D_C

梯度下降法用于神经网络的深度学习…

在这里，我们更新每个神经元的权值，以便在最小误差的情况下得到最佳分类。我们使用梯度下降法来更新每一层的所有权值…

Wi = Wi – learning_rate * derivative (Loss function w.r.t Wi)

为什么它受欢迎？

梯度下降是目前机器学习和深度学习中最常用的优化策略。

它用于训练数据模型，可以与各种算法相结合，易于理解和实现

许多统计技术和方法使用GD来最小化和优化它们的过程。