改善深层神经网络——优化算法（6）

最新推荐文章于 2021-01-28 22:52:53 发布

彭yanyan

最新推荐文章于 2021-01-28 22:52:53 发布

阅读量318

点赞数

文章标签： deeplearning

1.Mini-batch gradient descent

理解Mini-batch gradient descent

1.Mini-batch gradient descent

前我们介绍的神经网络训练过程是对所有m个样本，称为batch，通过向量化计算方式，同时进行的。如果m很大，例如达到百万数量级，训练速度往往会很慢，因为每次迭代都要对所有样本进行进行求和运算和矩阵运算。我们将这种梯度下降算法称为Batch Gradient Descent。

为了解决这一问题，我们可以把m个训练样本分成若干个子集，称为mini-batches，这样每个子集包含的数据量就小了，例如只有1000，然后每次在单一子集上进行神经网络训练，速度就会大大提高。这种梯度下降算法叫做Mini-batch Gradient Descent。

假设总的训练样本个数m=5000000，其维度为( $n_{x}$ ,m)。将其分成5000个子集，每个mini-batch含有1000个样本。我们将每个mini-batch记为 $X^{\left \{ t\right \} }$ ，其维度为( $n_{x}$ ,1000)。相应的每个mini-batch的输出记为 $Y^{\left \{ t \right \}}$ ，其维度为(1,1000)(1,1000)，且t=1,2,⋯,5000.

Mini-batches Gradient Descent的实现过程是先将总的训练样本分成T个子集（mini-batches），然后对每个mini-batch进行神经网络训练，包括Forward Propagation，Compute Cost Function，Backward Propagation，循环至T个mini-batch都训练完毕。

经过T次循环之后，所有m个训练样本都进行了梯度下降计算。这个过程，我们称之为经历了一个epoch。对于Batch Gradient Descent而言，一个epoch只进行一次梯度下降算法；而Mini-Batches Gradient Descent，一个epoch会进行T次梯度下降算法。

值得一提的是，对于Mini-Batches Gradient Descent，可以进行多次epoch训练。而且，每次epoch，最好是将总体训练数据重新打乱、重新分成T组mini-batches，这样有利于训练出最佳的神经网络模型。

理解Mini-batch gradient descent

Batch gradient descent和Mini-batch gradient descent的cost曲线如下图所示：

对于一般的神经网络模型，使用Batch gradient descent，随着迭代次数增加，cost是不断减小的。然而，使用Mini-batch gradient descent，随着在不同的mini-batch上迭代训练，其cost不是单调下降，而是受类似noise的影响，出现振荡。但整体的趋势是下降的，最终也能得到较低的cost值。

之所以出现细微振荡的原因是不同的mini-batch之间是有差异的。例如可能第一个子集(X{1},Y{1})(X{1},Y{1})是好的子集，而第二个子集(X{2},Y{2})(X{2},Y{2})包含了一些噪声noise。出现细微振荡是正常的。

如何选择每个mini-batch的大小，即包含的样本个数呢？有两个极端：如果mini-batch size=m，即为Batch gradient descent，只包含一个子集为 $(X^{\left \{ 1 \right \}},Y^{\left \{ 1 \right \}})=(X,Y);$ 如果mini-batch size=1，即为Stachastic gradient descent，每个样本就是一个子集 $(X^{\left \{ 1 \right \}},Y^{\left \{ 1 \right \}})=(x^{(i)},y^{(i)})$ ，共有m个子集。

我们来比较一下Batch gradient descent和Stachastic gradient descent的梯度下降曲线。如下图所示，蓝色的线代表Batch gradient descent，紫色的线代表Stachastic gradient descent。Batch gradient descent会比较平稳地接近全局最小值，但是因为使用了所有m个样本，每次前进的速度有些慢。Stachastic gradient descent每次前进速度很快，但是路线曲折，有较大的振荡，最终会在最小值附近来回波动，难以真正达到最小值处。而且在数值处理上就不能使用向量化的方法来提高运算速度。

实际使用中，mini-batch size不能设置得太大（Batch gradient descent），也不能设置得太小（Stachastic gradient descent）。这样，相当于结合了Batch gradient descent和Stachastic gradient descent各自的优点，既能使用向量化优化算法，又能叫快速地找到最小值。mini-batch gradient descent的梯度下降曲线如下图绿色所示，每次前进速度较快，且振荡较小，基本能接近全局最小值。

一般来说，如果总体样本数量m不太大时，例如m≤2000m≤2000，建议直接使用Batch gradient descent。如果总体样本数量m很大时，建议将样本分成许多mini-batches。推荐常用的mini-batch size为64,128,256,512。这些都是2的幂。之所以这样设置的原因是计算机存储数据一般是2的幂，这样设置可以提高运算速度。

2.指数加权平均

该部分我们将介绍指数加权平均（Exponentially weighted averages）的概念。

举个例子，记录半年内伦敦市的气温变化，并在二维平面上绘制出来，如下图所示：

看上去，温度数据似乎有noise，而且抖动较大。如果我们希望看到半年内气温的整体变化趋势，可以通过局部平均或叫移动平均（moving average）的方法来对每天气温进行平滑处理。

令 $V_{0}=0$

$V_{1}=0.9V_{0}+0.1\theta _{1}$

$V_{2}=0.9V_{1}+0.1\theta _{2}$

...

$V_{t}=0.9V_{t-1}+0.1\theta _{t}$

其中V表示 $\frac{1}{1-\beta }$ 天温度的平均值

经过移动平均处理得到的气温如下图红色曲线所示：

β值越大，则指数加权平均的天数越多，平均后的趋势线就越平缓，但是同时也会向右平移。下图绿色曲线和黄色曲线分别表示了β=0.98和β=0.5时，指数加权平均的结果。

我们将指数加权平均公式的一般形式写下来：

因为 $\beta$ 的 $\frac{1}{1-\beta }$ 次方差不多衰减到 $\frac{1}{e}$ 可以忽略不计，因此 $V_{t}$ 可以看做 $\frac{1}{1-\beta }$ 天温度的指数加权平均值。

$V_{t}$ 是将原始数据值与衰减指数（衰减指数相加大概约等于1）点乘，相当于做了指数衰减，离得越近，影响越大，离得越远，影响越小，衰减越厉害。

代码实现如下：

指数加权平均数不是最精确的计算平均数的方法，但是其优点是占用内存少，效率高，代码执行简单。

指数加权平均的偏差修正

上文中提到当β=0.98时，指数加权平均结果如下图绿色曲线所示。但是实际上，真实曲线如紫色曲线所示。

我们注意到，紫色曲线与绿色曲线的区别是，紫色曲线开始的时候相对较低一些。这是因为开始时我们设置 $V_{0}$ ，所以初始值会相对小一些，直到后面受前面的影响渐渐变小，趋于正常。

修正这种问题的方法是进行偏移校正（bias correction），即在每次计算完Vt后，对Vt进行下式处理： $\frac{V_{t}}{1-\beta ^{t}}$

在刚开始的时候，t比较小，(1− $\beta ^{t}$ )<1，这样就将VtVt修正得更大一些，效果是把紫色曲线开始部分向上提升一些，与绿色曲线接近重合。随着 t 增大，(1− $\beta ^{t}$ )≈1，Vt基本不变，紫色曲线与绿色曲线依然重合。这样就实现了简单的偏移校正，得到我们希望的绿色曲线。

值得一提的是，机器学习中，偏移校正并不是必须的。因为，在迭代一次次数后（t较大），Vt受初始值影响微乎其微，紫色曲线与绿色曲线基本重合。所以，一般可以忽略初始迭代过程，等到一定迭代之后再取值，这样就不需要进行偏移校正了。

3.动量梯度下降法

该部分将介绍动量梯度下降算法，其速度要比传统的梯度下降算法快很多。做法是在每次训练时，对梯度进行指数加权平均处理，然后用得到的梯度值更新权重W和常数项b。下面介绍具体的实现过程。

原始的梯度下降算法如上图蓝色折线所示。在梯度下降过程中，梯度下降的振荡较大，尤其对于W、b之间数值范围差别较大的情况。此时每一点处的梯度只与当前方向有关，产生类似折线的效果，前进缓慢。而如果对梯度进行指数加权平均，这样使当前梯度不仅与当前方向有关，还与之前的方向有关，这样处理让梯度前进方向更加平滑，减少振荡，能够更快地到达最小值处。

权重W和常数项b的指数加权平均表达式如下：

从动量的角度来看，以权重W为例， $V_{dW}$ 可以成速度V，dW可以看成是加速度a。指数加权平均实际上是计算当前的速度，当前速度由之前的速度和现在的加速度共同影响。而β<1，又能限制速度 $V_{dW}$ 过大。也就是说，当前的速度是渐变的，而不是瞬变的，是动量的过程。这保证了梯度下降的平稳性和准确性，减少振荡，较快地达到最小值处。

动量梯度下降算法的过程如下：

初始时，令 $V_{dW}$ =0, $V_{db}$ =0。一般设置β=0.9，即指数加权平均前10天的数据，实际应用效果较好。

另外，关于偏移校正，可以不使用。因为经过10次迭代后，随着滑动平均的过程，偏移情况会逐渐消失。

4.RMSprop

RMSprop是另外一种优化梯度下降速度的算法。每次迭代训练过程中，其权重W和常数项b的更新表达式为：

$S_{dW}=\beta S_{dW}+(1-\beta )dW^{2}$

$S_{db}=\beta S_{db}+(1-\beta )db^{2}$

$W:=W-\alpha \frac{dW}{\sqrt{S}_{dw}},b:=b-\alpha \frac{db}{\sqrt{S_{db}}}$

下面简单解释一下RMSprop算法的原理，仍然以下图为例，为了便于分析，令水平方向为W的方向，垂直方向为b的方向（实际上水平方向可能是W1，W2，W17的合集，垂直方向可能是W3，W4）。

从图中可以看出，梯度下降（蓝色折线）在垂直方向（b）上振荡较大，在水平方向（W）上振荡较小，表示在b方向上梯度较大，即db较大，而在W方向上梯度较小，即dW较小。因此为了加快W方向的速度减小b方向的速度减小震荡，要让 $\sqrt{S_{dw}}$ 小，让 $\sqrt{S_{db}}$ 大。所以让 $\sqrt{S_{dw}}$ 加上dW的平方让 $\sqrt{S_{db}}$ 加上db的平方，即加快了W方向的速度，减小了b方向的速度，减小振荡，实现快速梯度下降算法，其梯度下降过程如绿色折线所示。总得来说，就是如果哪个方向振荡大，就减小该方向的更新速度，从而减小振荡。

还有一点需要注意的是为了避免RMSprop算法中分母为零，通常可以在分母增加一个极小的常数ε：

其中，ε= $10^{-8}$ ，或者其它较小值。

5.Adam优化算法

6.学习率衰减

减小学习因子αα也能有效提高神经网络训练速度，这种方法被称为learning rate decay。

Learning rate decay就是随着迭代次数增加，学习因子αα逐渐减小。下面用图示的方式来解释这样做的好处。下图中，蓝色折线表示使用恒定的学习因子α，由于每次训练α相同，步进长度不变，在接近最优值处的振荡也大，在最优值附近较大范围内振荡，与最优值距离就比较远。绿色折线表示使用不断减小的α，随着训练次数增加，α逐渐减小，步进长度减小，使得能够在最优值处较小范围内微弱振荡，不断逼近最优值。相比较恒定的α来说，learning rate decay更接近最优值。

Learning rate decay中对αα可由下列公式得到：

其中，deacy_rate是参数（可调），epoch是训练完所有样本的次数。随着epoch增加，α会不断变小。

除了上面计算α的公式之外，还有其它可供选择的计算公式：

其中，k为可调参数，t为mini-bach number。

除此之外，还可以设置α为关于 t 的离散值，随着 t 增加，α呈阶梯式减小。当然，也可以根据训练情况灵活调整当前的α值，但会比较耗时间。

7.局部最优问题

在使用梯度下降算法不断减小cost function时，可能会得到局部最优解（local optima）而不是全局最优解（global optima）。之前我们对局部最优解的理解是形如碗状的凹槽，如下图左边所示。但是在神经网络中，local optima的概念发生了变化。在高维空间的代价函数（如有20000个参数）中，梯度为0的点是局部最优点（所有维都是凹的）的概率是很小的，更有可能的是梯度为0的点是鞍点（部分维是凹的，部分维是凸的）。

类似马鞍状的plateaus会降低神经网络学习速度。Plateaus是梯度接近于零的平缓区域，如下图所示。在plateaus上梯度很小，前进缓慢，到达saddle point需要很长时间。到达saddle point后，由于随机扰动，梯度一般能够沿着图中绿色箭头，离开saddle point，继续前进，只是在plateaus上花费了太多时间。

总的来说，关于local optima，有两点总结：

（只要选择合理的强大的神经网络）一般不太可能陷入这种坏的“local optima”（如上图路线）
Plateaus可能会使梯度下降变慢，降低学习速度

值得一提的是，上文介绍的动量梯度下降，RMSprop，Adam算法都能有效解决plateaus下降过慢的问题，大大提高神经网络的学习速度。

彭yanyan

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
改善深层神经网络——优化算法（6）

目录1.Mini-batch gradient descent理解Mini-batch gradient descent2.指数加权平均指数加权平均的偏差修正3.动量梯度下降法4.RMSprop5.Adam优化算法6.学习率衰减7.局部最优问题1.Mini-batch gradient descent前我们介绍的神经网络训练过程是对所有m个样本，称...
复制链接

扫一扫