深度学习–回归（李宏毅）

**

一、深度学习–回归（李宏毅）
**
一、偏差和方差
1、偏差和方差
对于下面图中的数据，我们希望寻找一个函数来拟合这些数据，也就是回归任务：

我们尝试使用一次、二次直至五次的函数集来拟合一个简单的回归问题，在实验过程中发现对于低阶的函数效果不是太好，增加函数的复杂度后效果有了好转，但当函数过于复杂时，效果又会变差：

事实上模型的损失主要来自两个方面：偏差（bias）和方差（variance）。以打靶作比喻，假设我们要求解的那个函数处于靶心位置，而我们采用的模型代表的函数集如果偏离靶心太远，就相当于有大的偏差，而如果这个使用这个函数集多次实验求解的函数不稳定，就相当于有大的方差：

2、方差
下图展示了分别使用一次、三次、五次函数来拟合数据100次的实验结果：

可以明显看出低阶函数显然更加地集中，也就是说具有较小的方差，而高阶函数不够稳定，具有较大的方差：

3、偏差
我们永远也不可能知道数据所服从的真正的函数，因此这里我们假设真实的分布如下图这样，然后再来感受偏差的概念：

下图分别展示了从低阶到高阶的函数集多次实验后的平均效果，其中黑色曲线代表我们假设的真实分布，蓝色曲线代表多次实验平均的分布：

可以看到虽然高阶函数的方差比较大，但是平均以后更加地接近真实分布，可以直观理解为高阶函数集较于低阶函数集包括更多的可选函数，因此更容易接近真实函数，下图中靶子上面蓝色的圆圈表示函数集覆盖的范围：

4、总结
总结来说对于低阶函数来说，损失主要来自偏差，而高阶函数的损失主要来自偏差。低阶函数的拟合能力有限，因此带来的问题称为欠拟合（underfitting），而高阶函数由于过于地powerful，从而容易带来过拟合（overfitting）的问题：

应对大的偏差的方法：
①增加更多特征作为输入
②使用更复杂的模型

应对大的方差的方法：
①更多数据
②正则化

二、梯度下降

1、Adagrad
二次微分大的点梯度虽然大但是可能会比梯度小的点离极值点更近，因此学习率需要考虑二次微分的影响，除以所有梯度的均方根是为了近似表示二次微分。

2、RMSProp
类比Adagrad的一种优化方法，与Adagrad不同的是学习率所除的分母。Adagrad学习率所除的分母会无限累加，导致后期参数更新幅度很小，RMSProp避免了这个问题。然而RMSProp无法解决卡在鞍点的问题。

3、SGD(随机梯度下降）

a、Batch gradient descent(批量梯度下降)
  在整个数据集上每更新一次权重，要遍历所有的样本，由于样本集过大，无法保存在内存中，无法线上更新模型。对于损失函数的凸曲面，可以收敛到全局最小值，对于非凸曲面，收敛到局部最小值。
  随机梯度下降（SGD）和批量梯度下降（BGD）的区别。SGD 从数据集中拿出一个样本，并计算相关的误差梯度，而批量梯度下降使用所有样本的整体误差：「关键是，在更新中没有随机或扩散性的行为。」
b、stochastic gradient descent(SGD,随机梯度下降)
  可以在线学习，收敛的更快，可以收敛到更精确的最小值。但是梯度更新太快，而且会产生梯度震荡，使收敛不稳定。
c、Mini-batch gradient descent(MBGD,小批量梯度下降)
  批量梯度下降算法和随机梯度下降算法的结合体。两方面好处：一是减少更新的次数，使得收敛更稳定；二是利用矩阵优化方法更有效。
  以一个极端情况为例，若训练集前一半和后一半梯度相同。那么如果前一半作为一个batch，后一半作为另一个batch，那么在一次遍历训练集时，batch的方法向最优解前进两个step，而整体的方法只前进一个step。
  批量梯度下降法BGD：批量梯度下降法（Batch Gradient Descent，简称BGD）是梯度下降法最原始的形式，它的具体思路是在更新每一参数时都使用所有的样本来进行更新。
  随机梯度下降法SGD：
  小批量梯度下降法MBGD：有上述的两种梯度下降法，其各自均有优缺点，那么能不能在两种方法的性能之间取得一个折衷呢？即，算法的训练过程比较快，而且也要保证最终参数训练的准确率，而这正是小批量梯度下降法（Mini-batch Gradient Descent，简称MBGD）的初衷。
M <N时（就是用了所有的样本）， 就是所谓的batch GD
M =1时 （就是用了其中的一个样本）， 就是所谓的SGD
M <1， 小于 N时， 就是 mini-batch GD.

4、SGDM
为梯度下降加入一个冲量，每次迭代移动的方向为梯度的反方向向量加上上次移动的方向向量，向量前面可能会有系数。

5、Adam
结合RMSProp和SGDM两种算法优点的一种优化算法。m和v需要除上1-β是为了前期的纠偏。分母加上一个ε是为了防止分母下溢到0导致学习率是未定义的。

总结-Adam vs SGDM
Adam:训练速度快但是泛化误差大、不稳定。
SGDM：稳定、泛化误差小、更好的收敛性。

改善Adam

(1)、AMSGrad

(2)、AdaBound

改善SGD

(1)、Cyclical LR

(2)、SGDR

(3)、One-cycle LR

*特征缩放

来源：简书 https://www.jianshu.com/p/b23832463758

本文转载用于学习资料