从自然现象中理解梯度下降
在绝大多数文章中,都以“一个人被困在山上,需要迅速下到谷底”来举例,这个人会“寻找当前所处位置最陡峭的地方向下走”。这个例子中忽略了安全因素,这个人不可能沿着最陡峭的方向走,要考虑坡度。
在自然界中,梯度下降的最好例子,就是泉水下山的过程:
- 水受重力影响,会在当前位置,沿着最陡峭的方向流动,有时会形成瀑布(梯度下降)
- 水流下山的路径不是唯一的,在同一个地点,有可能有多个位置具有同样的陡峭程度,而造成了分流(可以得到多个解)
- 遇到坑洼地区,有可能形成湖泊,而终止下山过程(不能得到全局最优解,而是局部最优解)
梯度下降的数学理解
先抛开神经网络,损失函数,反向传播等内容,用数学概念理解一下梯度下降。
梯度下降的数学公式:
(1) θ n + 1 = θ n − η ⋅ ∇ J ( θ ) \theta_{n+1} = \theta_{n} - \eta \cdot \nabla J(\theta) \tag{1} θn+1=θn−η⋅∇J(θ)(1)
其中:
- θ n + 1 \theta_{n+1} θn+1:下一个值
- θ n \theta_n θn:当前值
- − - −:梯度的反向
- η \eta η:学习率或步长,控制每一步走的距离,不要太快以免错过了最佳景点,不要太慢以免时间太长
- ∇ \nabla ∇:梯度,函数当前位置的最快上升点
- J ( θ ) J(\theta) J(θ):函数
梯度下降的三要素
- 当前点
- 方向
- 步长
为什么说是“梯度下降”?
“梯度下降”包含了两层含义:
- 梯度:函数当前位置的最快上升点
- 下降:与导数相反的方向,用数学语言描述就是那个减号。亦即与上升相反的方向运动,就是下降。
单变量函数的梯度下降
假设一个单变量函数:
J ( x ) = x 2 J(x) = x ^2 J(x)=x2
我们的目的是找到该函数的最小值,于是计算其微分:
J ′ ( x ) = 2 x J'(x) = 2x J′(x)=2x
假设初始位置为:
x 0 = 1.2 x_0=1.2 x0=1.2
假设学习率:
η = 0.3 \eta = 0.3 η=0.3
根据公式(1),迭代公式:
(1) x n + 1 = x n − η ⋅ ∇ J ( x ) = x n − η ⋅ 2 x x_{n+1} = x_{n} - \eta \cdot \nabla J(x)= x_{n} - \eta \cdot 2x\tag{1} xn+1=xn−η⋅∇J(x)=xn−η⋅2x(1)
假设终止条件为J(x)<1e-2,迭代过程是:
x=0.480000, y=0.230400
x=0.192000, y=0.036864
x=0.076800, y=0.005898
x=0.030720, y=0.000944
上面的过程如下图所示:
双变量的梯度下降
假设一个双变量函数:
J ( x , y ) = x 2 + sin 2 ( y ) J(x,y) = x^2 + \sin^2(y) J(x,y)=x2+sin2(y)
我们的目的是找到该函数的最小值,于是计算其微分:
∂ J ( x , y ) ∂ x = 2 x {\partial{J(x,y)} \over \partial{x}} = 2x ∂x∂J(x,y)=2x ∂ J ( x , y ) ∂ y = 2 sin y cos y {\partial{J(x,y)} \over \partial{y}} = 2 \sin y \cos y ∂y∂J(x,y)=2sinycosy
假设初始位置为:
( x 0 , y 0 ) = ( 3 , 1 ) (x_0,y_0)=(3,1) (x0,y0)=(3,1)
假设学习率:
η = 0.1 \eta = 0.1 η=0.1
根据公式(1),迭代过程是的计算公式: ( x n + 1 , y n + 1 ) = ( x n , y n ) − η ⋅ ∇ J ( x , y ) (x_{n+1},y_{n+1}) = (x_n,y_n) - \eta \cdot \nabla J(x,y) (xn+1,yn+1)=(xn,yn)−η⋅∇J(x,y) (1) = ( x n , y n ) − η ⋅ ( 2 x , 2 ⋅ sin y ⋅ cos y ) = (x_n,y_n) - \eta \cdot (2x,2 \cdot \sin y \cdot \cos y) \tag{1} =(xn,yn)−η⋅(2x,2⋅siny⋅cosy)(1)
根据公式(1),假设终止条件为 J ( x , y ) < 1 e − 2 J(x,y)<1e-2 J(x,y)<1e−2,迭代过程:
x | y | J(x,y) | |
---|---|---|---|
1 | 3 | 1 | 9.708073 |
2 | 2.4 | 0.909070 | 6.382415 |
3 | 1.92 | 0.812114 | 4.213103 |
… | … | … | … |
15 | 0.105553 | 0.063481 | 0.015166 |
16 | 0.084442 | 0.050819 | 0.009711 |
迭代16次后,J(x,y)的值为0.009711,满足小于1e-2的条件,停止迭代。
上面的过程如下图所示,由于是双变量,所以需要用三维图来解释。请注意看那条隐隐的黑色线,表示梯度下降的过程,从红色的高地一直沿着坡度向下走,直到蓝色的洼地。
观察角度1 | 观察角度2 |
---|---|
![]() | ![]() |
学习率η的选择
在code里,我们把学习率定义为learning_rate,或者eta,或者叫
α
\alpha
α。 针对上面的例子,当初始值为-0.8,学习率为1时,迭代的情况很尴尬:不断在一条水平线上跳来跳去,永远也不能下降。
当学习率=0.8时,会有这种左右跳跃的情况发生,这不利于神经网络的训练。
当学习率=0.6时,也会有跳跃,幅度偏小。
当学习率=0.4时,损失值会从单侧下降,4步以后基本接近了理想值。
当学习率=0.2时,损失值会从单侧下降,但下降速度较慢,8步左右接近极值。
当学习率=0.1时,损失值会从单侧下降,但下降速度非常慢,10步了还没有到达理想状态。
https://github.com/microsoft/ai-edu/blob/master/B-教学案例与实践/B6-神经网络基本原理简明教程/02.3-梯度下降.md