李宏毅 梯度下降

梯度下降法

在回归问题的第三步中，需要解决下面的最优化问题：

这里的parameters是复数，即 θ指代一堆参数，比如上篇说到的 w 和 b 。

我们要找一组参数 θ ，让损失函数越小越好，这个问题可以用梯度下降法解决：

假设 θ有里面有两个参数 θ1,θ2 随机选取初始值

然后分别计算初始点处，两个参数对 L的偏微分，然后 θ0减掉 η乘上偏微分的值，得到一组新的参数。同理反复进行这样的计算。黄色部分为简洁的写法，▽L(θ)即为梯度。
η 叫做Learning rates（学习速率）

上图举例将梯度下降法的计算过程进行可视化。

Tip1：调整学习速率

小心翼翼地调整学习率

上图左边黑色为损失函数的曲线，假设从左边最高点开始，如果学习率调整的刚刚好，比如红色的线，就能顺利找到最低点。如果学习率调整的太小，比如蓝色的线，就会走的太慢，虽然这种情况给足够多的时间也可以找到最低点，实际情况可能会等不及出结果。如果 学习率调整的有点大，比如绿色的线，就会在上面震荡，走不下去，永远无法到达最低点。还有可能非常大，比如黄色的线，直接就飞出去了，更新参数的时候只会发现损失函数越更新越大。

虽然这样的可视化可以很直观观察，但可视化也只是能在参数是一维或者二维的时候进行，更高维的情况已经无法可视化了。

解决方法就是上图右边的方案，将参数改变对损失函数的影响进行可视化。比如学习率太小（蓝色的线），损失函数下降的非常慢；学习率太大（绿色的线），损失函数下降很快，但马上就卡住不下降了；学习率特别大（黄色的线），损失函数就飞出去了；红色的就是差不多刚好，可以得到一个好的结果。

自适应学习率

举一个简单的思想：随着次数的增加，通过一些因子来减少学习率

• 通常刚开始，初始点会距离最低点比较远，所以使用大一点的学习率

• update好几次参数之后呢，比较靠近最低点了，此时减少学习率

• 比如,t是次数。随着次数的增加，ηt减小

学习率不能是一个值通用所有特征，不同的参数需要不同的学习率

Adagrad 算法

每个参数的学习率都把它除上之前微分的均方根。解释：

普通的梯度下降为：

Adagrad 可以做的更好：

Adagrad举例

下图是一个参数的更新过程

将 Adagrad 的式子进行化简：

Adagrad 存在的矛盾？

在 Adagrad 中，当梯度越大的时候，步伐应该越大，但下面分母又导致当梯度越大的时候，步伐会越小。

下图是一个直观的解释：

下面给一个正式的解释：

比如初始点在 x0,最低点为 -b/2a,最佳的步伐就是 x0x0 到最低点之间的距离 ∣x0+b/2a∣ ,也可以写成 ∣(2ax0+b)/2a∣.而刚好 ∣2ax0+b∣就是方程绝对值在 x0这一点的微分。

这样可以认为如果算出来的微分越大，则距离最低点越远。而且最好的步伐和微分的大小成正比。所以如果踏出去的步伐和微分成正比，它可能是比较好的。

结论1-1：梯度越大，就跟最低点的距离越远。

这个结论在多个参数的时候就不一定成立了。

多参数下结论不一定成立

对比不同的参数

上图左边是两个参数的损失函数，颜色代表损失函数的值。如果只考虑参数 w1,就像图中绿色的线，得到右边上图结果；如果只考虑参数 w2，就像图中蓝色的线，得到右边下图的结果。确实对于 a 和 b，结论1-1是成立的，同理 c 和 b 也成立。但是如果对比a和 c，就不成立了，c 比 a 大，但 c 距离最低点是比较近的。

所以结论1-1是在没有考虑跨参数对比的情况下，才能成立的。所以还不完善。

之前说到的最佳距离 ∣(2ax0+b)/2a∣,还有个分母 2a 。对function进行二次微分刚好可以得到：

所以最好的步伐应该是：

即不止和一次微分成正比，还和二次微分成反比。最好的step应该考虑到二次微分：

Adagrad 进一步的解释

再回到之前的 Adagrad

对于就是希望再尽可能不增加过多运算的情况下模拟二次微分。（如果计算二次微分，在实际情况中可能会增加很多的时间消耗）

Tip2：随机梯度下降法

之前的梯度下降：

而随机梯度下降法更快：

损失函数不需要处理训练集所有的数据，选取一个例子

此时不需要像之前那样对所有的数据进行处理，只需要计算某一个例子的损失函数Ln，就可以赶紧update 梯度。

常规梯度下降法走一步要处理到所有二十个例子，但随机算法此时已经走了二十步（每处理一个例子就更新）

Tip3：特征缩放

比如有个函数：两个输入的分布的范围很不一样，建议把他们的范围缩放，使得不同输入的范围是一样的。

为什么要这样做？

上图左边是 x1的scale比 x2要小很多，所以当 w1和 w2做同样的变化时，w1对 y 的变化影响是比较小的，x2对 y 的变化影响是比较大的。

坐标系中是两个参数的error surface（现在考虑左边蓝色），因为 w1 对 y的变化影响比较小，所以 w1对损失函数的影响比较小，w1对损失函数有比较小的微分，所以 w1方向上是比较平滑的。同理 x2对 y的影响比较大，所以 x2对损失函数的影响比较大，所以在 x2方向有比较尖的峡谷。

上图右边是两个参数scaling比较接近，右边的绿色图就比较接近圆形。

对于左边的情况，上面讲过这种狭长的情形不过不用Adagrad的话是比较难处理的，两个方向上需要不同的学习率，同一组学习率会搞不定它。而右边情形更新参数就会变得比较容易。左边的梯度下降并不是向着最低点方向走的，而是顺着等高线切线法线方向走的。但绿色就可以向着圆心（最低点）走，这样做参数更新也是比较有效率。

怎么做缩放？

方法非常多，这里举例一种常见的做法：

上图每一列都是一个例子，里面都有一组特征。

对每一个维度 i（绿色框）都计算平均数，记做 mimi;还要计算标准差，记做 σi然后用第 r个例子中的第 i 个输入，减掉平均数 mim i，然后除以标准差 σi，得到的结果是所有的维数都是 0，所有的方差都是 1

梯度下降的理论基础

问题

当用梯度下降解决问题：

每次更新参数 θ，都得到一个新的 θ，它都使得损失函数更小。即：

上述结论正确吗？

结论是不正确的。。。

数学理论

比如在 θ0处，可以在一个小范围的圆圈内找到损失函数细小的 θ1,不断的这样去寻找。
接下来就是如果在小圆圈内快速的找到最小值？…(数学推导没看了)

李宏毅 机器学习http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html
https://datawhalechina.github.io/leeml-notes/#/chapter6/chapter6?id=adagrad-%e6%98%af%e4%bb%80%e4%b9%88%ef%bc%9f