带动量的随机梯度下降法_梯度下降法的三种形式

本文脉络

• 批量梯度下降法BGD
• 随机梯度下降法SGD
• 小批量梯度下降法MBGD
• 总结

在应用机器学习算法时，我们通常采用梯度下降法来对采用的算法进行训练。其实，常用的梯度下降法还具体包含三种不同的形式，它们也各自有着不同的优缺点。

下面我们以线性回归算法来对三种梯度下降法进行比较。

一般线性回归函数的假设函数为:

对应的能量函数（损失函数）形式为:

下图为一个二维参数(

)组对应能量函数的可视化图:

批量梯度下降法BGD

批量梯度下降法(Batch Gradient Descent，简称BGD)是梯度下降法最原始的形式，它的具体思想是在更新每一参数时都使用所有的样本来进行更新，其数学形式如下:
(1) 对上述的能量函数求偏导:

(2) 由于是最小化风险函数，所以按照每个参数

的梯度负方向来更新每个

：

具体的伪代码形式为:
repeat {

(for every j=0,...,n)
}

从上面的公式可以注意到，它得到的是一个全局最优解，但是每迭代一步，都要用到训练集所有的数据,如果样本数目m很大，那么可想而知这种方法的迭代速度！所以，这就引入了另外一种方法，随机梯度下降法。

优点:全局最优解；易于并行实现；
缺点:当样本数目很多时，训练过程会很慢。

从迭代的次数上来看，BGD迭代的次数相对较少。其迭代的收敛曲线示意图可以表示如下;

随机梯度下降法SGD

由于批量梯度下降法在更新每一个参数时，都需要所有的训练样本，所以训练过程会随着样本数量的加大而变得异常的缓慢。随机梯度下降法(Stochastic Gradient Descent，简称SGD)正是为了解决批量梯度下降法这一弊端而提出的。

将上面的损失函数写为如下形式:

利用每个样本的损失函数对

求偏导得到对应的梯度，来更新

:

具体的伪代码形式为:

1. Randomly shuffle dataset;
2. repeat {
   for i = 1,...,m {
   
   (for j=0,...,n)
   }
   }

随机梯度下降是通过每个样本来迭代更新一次，如果样本量很大的情况（例如几十万），那么可能只用其中几万条或者几千条的样本，就已经将

迭代到最优解了，对比上面的批量梯度下降，迭代一次需要用到十几万训练样本，一次迭代不可能最优，如果迭代10次的话就需要遍历训练样本10次。但是，SGD伴随的一个问题是噪音较BGD要多，使得SGD并不是每次迭代都向着整体最优化方向。

优点:训练速度快；
缺点:准确度下降，并不是全局最优；不易于并行实现。

从迭代的次数上来看，SGD迭代的次数较多，在解空间的搜索过程看起来很盲目。其迭代的收敛曲线示意图可以表示如下:

小批量梯度下降法MBGD

由上述两种梯度下降法可以看出，其各自均有优缺点，那么能不能在这两种方法的性能之间取得一个折衷呢？即，算法的训练过程比较快，而且也要保证最终参数训练的准确率，而这正是小批量梯度下降法（Mini-batch Gradient Descent,简称MBGD）的初衷。

MBGD在每次更新参数时使用b个样本（b一般为10），其具体的伪代码形式为:

Say b = 10,m = 1000.
Repeat {
for i = 1,11,21,31,...,991 {

(for every j=0,...,n)
}
}

总结

BGD（Batchh gradient descent）： 在每一轮迭代中使用所有的训练样本
SGD（Stochastic gradient descent）: 在每一轮迭代中仅使用一个样本
MBGD(Mini-Batch gradient descent):在每一轮迭代中使用b个样本