随机梯度下降(Stochastic Gradient Descent SGD)
之前讨论了经典的随机梯度下降算法:Gradient Descent
我们可以将其用于参数化学习,优化分类器的权重矩阵 W 。但是这种经典的梯度下降算法在大的数据集上运行的特别慢。实际上,这可以算的上是一种计算资源的浪费。
我们应该运用一种对标准梯度下降算法简单调整的算法:随机梯度下降(Stochastic Gradient Descent),这种算法在数据集中的一小批数据上运行结束后就计算梯度并更新权重矩阵。而非像之前的,数据集中的所有数据都运行完了之后再计算梯度、更新权重。
虽然这种调整会让更新权重时参杂更多噪声,但它能够让我们的算法沿着梯度走更多步(以前是一个epoch一步,现在是一个batch一步),最终会让我们的算法更快地收敛,并且对我们分类地准确度和损失没有负作用。
SGD毫无疑问是深度神经网络领域最重要的算法。
MiniBatch SGD
综上所述,我们应该做的就是将我们的更新操作分批处理。
这种算法和之前标准梯度下降算法的不同之处仅仅在于:我们不再是通过整个数据集来计算梯度,我们通过采样来产生“批
”,每一批数据后,计算一次梯度并更新W。
这里我们需要注意批大小的概念:即每次随机采样的样本个数。再最纯正的SGD中,batch_size应当为1。也就是说,每次在数据集中随机采样一个样本点,计算梯度并更新W,然而在实际中我们通常取 batch_size = 32 64 128或者256.
代码实现:
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
import numpy as np
def sigmoid_activation(x):
return 1.0 / (1 + np.exp(-x))
def predict(X, W):
preds = sigmoid_activation(X.dot(W))
preds[preds <= 0.5] = 0
preds[preds > 0] = 1
return preds
# 和标准梯度下降算法的真正不同是加入了next_batch函数
def next_batch(X, y, batchSize):
for i in np.arange(0, X.shape[0], batchSize):
yield X[i:i + batchSize], y[i:i + batchSize]
(X, y) = make_blobs(n_samples=1000, n_features=2, centers=2, cluster_std=1.5, random_state=1)
y = y.reshape((y.shape[0], 1))
X = np.c_[X, np.ones((X.shape[0]))]
(trainX, testX, trainY, testY) = train_test_split(X, y, test_size=0.5, random_state=42)
print("[INFO] training....")
W = np.random.randn(X.shape[1], 1)
losses = []
for epoch in np.arange(0, 100):
epochLoss = []
for(batchX, batchY) in next_batch(X, y, 16):
preds = sigmoid_activation(batchX.dot(W))
error = preds - batchY
epochLoss.append(np.sum(error ** 2))
gradient = batchX.T.dot(error)
W += -0.01 * gradient
loss = np.average(epochLoss)
losses.append(loss)
if epoch == 0 or (epoch + 1) % 5 == 0:
print("[INFO] epoch={}, loss={:.7f}".format(int(epoch + 1), loss))
print("[INFO] evaluating....")
preds = predict(testX, W)
print(classification_report(testY, preds))
plt.style.use("ggplot")
plt.figure()
plt.title("Data")
plt.scatter(testX[:, 0], testX[:, 1], marker="o", c=testY, s=30)
plt.style.use("ggplot")
plt.figure()
plt.plot(np.arange(0, 100), losses)
plt.title("Training Loss")
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.show()
运行结果:
E:\DLstudy\Scripts\python.exe E:/PycharmProjects/DLstudy/run/sgd.py
[INFO] training....
[INFO] epoch=1, loss=0.0979398
[INFO] epoch=5, loss=0.0231774
[INFO] epoch=10, loss=0.0171205
[INFO] epoch=15, loss=0.0140899
[INFO] epoch=20, loss=0.0121028
[INFO] epoch=25, loss=0.0106468
[INFO] epoch=30, loss=0.0095132
[INFO] epoch=35, loss=0.0085962
[INFO] epoch=40, loss=0.0078345
[INFO] epoch=45, loss=0.0071895
[INFO] epoch=50, loss=0.0066351
[INFO] epoch=55, loss=0.0061527
[INFO] epoch=60, loss=0.0057290
[INFO] epoch=65, loss=0.0053536
[INFO] epoch=70, loss=0.0050188
[INFO] epoch=75, loss=0.0047183
[INFO] epoch=80, loss=0.0044472
[INFO] epoch=85, loss=0.0042014
[INFO] epoch=90, loss=0.0039776
[INFO] epoch=95, loss=0.0037731
[INFO] epoch=100, loss=0.0035855
[INFO] evaluating....
precision recall f1-score support
0 1.00 1.00 1.00 250
1 1.00 1.00 1.00 250
accuracy 1.00 500
macro avg 1.00 1.00 1.00 500
weighted avg 1.00 1.00 1.00 500
可以看到,在100个epoch结束的时候,使用SGD我们得到的损失值 比 使用经典GD算法所得损失 要低几个数量级。这种效果在大型数据集上面将会体现的更加明显。
几个小建议
只要是使用SGD算法,同时使用momentum,在大多数情况下,可以将其设置为0.9,Karpathy[1]建议从0.5开始,并随epoch不断增加。
至于Nesterov 加速度[2]。可以在小数据收集上使用,但对于大一点的数据集(例如ImageNet)或者深度比较大的神经网络,最好不要使用。
上面提到的 momentum和 Nesterov加速度本文中还没有涉及,先挖一个坑,有空再填。
[1] On the Momentum Term in Gradient Descent Learning Algorithms
[2] A method of solving a convex programming problem with convergence rate O(1/2k)