一文搞懂梯度下降法

梯度下降法，堪称训练神经网络的黑魔法。掌握该魔法，要先搞懂 梯度的概念。

梯度是什么东东？

梯度是一个多维向量。对于多元函数 $f(x_1,x_2,...,x_n)$上的某一点 $(x_1,x_2,...,x_n,y)$，其梯度被定义为：$⟨\frac{\partial f}{\partial x_1},\frac{\partial f}{\partial x_2},...,\frac{\partial f}{\partial x_n}⟩$，也就是说，函数的梯度作为一个向量，其分量等于各个自变量对应的偏导数。

梯度的方向和大小，具有直观的几何意义。可以证明（本文不证）：，某点的梯度方向，总是指向函数值“变化率”最大的方向，而梯度的大小等于该“变化率”。

一元函数的变化率，就是该函数的导数；而刻画多元函数的“变化率”，则需要引入方向导数的概念。

对于一元函数，自变量只有增大和减小两个变化方向，而对于多元函数，自变量可以有任意多个变化方向。不妨以二元函数 $f(x,y)=x^2+y^2$ 为例。如下图：

该图出自 geogebra 方向导数。访问该网址可以查看动态效果。

图中的点 $P_0(1,1,2)$，在 $xOy$ 平面上的投影为点 $P(1,1)$。红色的箭头所示的单位向量 $u$，表示 $P_0$ 点处函数 $f$ 的一个自变量变化方向。设黑色的切线和 $xOy$ 平面的夹角为 $\theta$，和一元函数类似，$tan(\theta )$ 等于函数 $f$ 在 $P_0$ 处沿着方向 $u$ 的方向导数，用符号表示为 $f_u^{{}^{\prime }}(1,1)$。

拖动图中的手柄，可以调整红色箭头 $u$ 的方向。显然，$u$ 可以在 $xOy$ 平面中 360 度旋转，对应地，$P_0$ 点处方向导数 $f_u^{{}^{\prime }}(1,1)$ 也会变化；当方向导数取到最大值时，$u$ 的方向就是 $P_0$ 处变化率最大的方向，也就是 $P_0$ 处的梯度方向。

怎么个下降法

顾名思义，梯度下降法就是沿着梯度的反方向进行下降，直到找到函数的局部最小值或者全局最小值。

想象一下你在山上，站在某个点。如果你沿着不同的方向走，你会发现高度的变化率是不同的，也就是山的陡峭程度是不同的，而沿着梯度指向的方向，是最陡峭的。那么，每次沿着梯度的反方向迈出一小步，就能以最快的速度下山。

怎么判断你已经到了山谷呢？很简单，你只管沿着梯度的方向走，只要高度下再下降了，也就是梯度变成了 0 时，你就到了山谷。

显然，每一步迈出的距离大小，会影响下山的速度。这个步长，称之为学习率，记为 $\eta$。

梯度下降法用于训练神经网络时，目标是最小化损失函数。什么叫损失函数这里先不用管，只要知道它是一个多元函数即可。

一个神经网络可以有成千上万的参数，对应地，损失函数可以有成千上万的自变量。

运行梯度下降法时，首先需要随机地初始化这些自变量，然后沿着梯度反方向迭代若干轮。

一般地，对于损失函数 $f(x_1,x_2,...,x_n)$，梯度下降法每次迭代，更新参数（自变量）的方式为：

$$x_i\leftarrow x_i-\eta \frac{\partial f}{\partial x_i}\text{\hspace{1em}(式1)}$$

这个式子，就是训练神经网络时的魔法所在。

你可能会好奇，一个拥有成千上万个自变量的函数，怎么对其求出每一个偏导数呢？这就要用到大名鼎鼎的误差逆传播算法了，这里也先跳过。

潜在的问题

陷入局部最小

梯度下降法可能会陷入局部最小值，而不是全局最小值。比如：如果初始位置位于局部最小值的附近，那么梯度下降法可能会很快找到该局部最小值然后停止，而不是全局最小值。

遭遇鞍点

如上图所示，鞍点处的梯度为 0，但既不是极小值，也不是极大值。遭遇鞍点时，梯度下降法会终止。

学习率的选择

从式 1 可以看到，学习率 $\eta$ 的选择至关重要。

如果学习率设置得太小，那么梯度下降法就会非常缓慢地收敛，浪费计算资源。

如果学习率设置得太大，那么梯度下降法可能会在最小值附近来回震荡，无法收敛。