李弘毅机器学习:第四章—梯度下降法
李弘毅机器学习:第四章—梯度下降法
- 什么是梯度下降法?
- Review: 梯度下降法
- Tip1:调整学习速率
- 小心翼翼地调整学习率
- 自适应学习率
- Adagrad 算法
- Adagrad 是什么?
- Adagrad举例
- Adagrad 存在的矛盾?
- 多参数下结论不一定成立
- Adagrad 进一步的解释
- Tip2:随机梯度下降法
- Tip3:特征缩放
- 为什么要这样做?
- 怎么做缩放?
- 梯度下降的理论基础
- 问题
- 数学理论
- 泰勒展开式
- 定义
- 多变量泰勒展开式
- 利用泰勒展开式简化
- 梯度下降的限制
什么是梯度下降法?
在第二篇文章中有介绍到梯度下降法的做法,传送门:机器学习入门系列02,Regression 回归:案例研究
Review: 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:
θ∗=arg maxθL(θ)(1)\theta^∗= \underset{ \theta }{\operatorname{arg\ max}} L(\theta) \tag1θ∗=θarg maxL(θ)(1)
- LLL :lossfunction(损失函数)
- θ\thetaθ :parameters(参数)
这里的parameters是复数,即 θ\thetaθ 指代一堆参数,比如上篇说到的 www 和 bbb 。
我们要找一组参数 θ\thetaθ ,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\thetaθ 有里面有两个参数 θ1,θ2\theta_1, \theta_2θ1,θ2
随机选取初始值
θ0=[θ10θ20](2)\theta^0 = \begin{bmatrix} \theta_1^0 \\ \theta_2^0 \end{bmatrix} \tag2 θ0=[θ10θ20](2)
这里可能某个平台不支持矩阵输入,看下图就好。
然后分别计算初始点处,两个参数对 LLL 的偏微分,然后 θ0\theta^0θ0 减掉 η\etaη 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)\triangledown L(\theta)▽L(θ) 即为梯度。
η\etaη 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
举例:
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 ηt=ηtt+1\eta^t =\frac{\eta^t}{\sqrt{t+1}}ηt=t+1ηt,ttt 是次数。随着次数的增加,ηt\eta^tηt 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
Adagrad 是什么?
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:
wt+1←wt−ηtgt(3)w^{t+1} \leftarrow w^t -η^tg^t \tag3wt+1←wt−ηtgt(3)
ηt=ηtt+1(4)\eta^t =\frac{\eta^t}{\sqrt{t+1}} \tag4ηt=t+1ηt(4)
- www 是一个参数
Adagrad 可以做的更好:
wt+1←wt−ηtσgt(5)w^{t+1} \leftarrow w^t -\frac{η^t}{\sigma}g^t \tag5wt+1←wt−σηtgt(5)
gt=∂L(θt)∂w(6)g^t =\frac{\partial L(\theta^t)}{\partial w} \tag6gt=∂w∂L(θt)(6)
- σt\sigma^tσt :之前参数的所有微分的均方根,对于每个参数都是不一样的。
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 x0x_0x0,最低点为 −b2a−\frac{b}{2a}−2ab,最佳的步伐就是 x0x0x0 到最低点之间的距离 ∣x0+b2a∣\left | x_0+\frac{b}{2a} \right |∣∣x0+2ab∣∣,也可以写成 ∣2ax0+b2a∣\left | \frac{2ax_0+b}{2a} \right |∣∣2a2ax0+b∣∣。而刚好 ∣2ax0+b∣|2ax_0+b|∣2ax0+b∣ 就是方程绝对值在 x0x_0x0 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 w1w_1w1,就像图中蓝色的线,得到右边上图结果;如果只考虑参数 w2w_2w2,就像图中绿色的线,得到右边下图的结果。确实对于 aaa 和 bbb,结论1-1是成立的,同理 ccc 和 bbb 也成立。但是如果对比aaa 和 ccc,就不成立了,ccc 比 aaa 大,但 ccc 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+b2a∣\left | \frac{2ax_0+b}{2a} \right |∣∣2a2ax0+b∣∣,还有个分母 2a2a2a 。对function进行二次微分刚好可以得到:
∂2y∂x2=2a(7)\frac{\partial ^2y}{\partial x^2} = 2a \tag7∂x2∂2y=2a(7)
所以最好的步伐应该是:
一次微分二次微分\frac{一次微分}{二次微分}二次微分一次微分
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 ∑i=0t(gi)2\sqrt{\sum_{i=0}^t(g^i)^2}∑i=0t(gi)2 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:
L=∑n(y^n−(b+∑wixin))2(8)L=\sum_n(\hat y^n-(b+\sum w_ix_i^n))^2 \tag8L=n∑(y^n−(b+∑wixin))2(8)
θi=θi−1−η▽L(θi−1)(9)\theta^i =\theta^{i-1}- \eta\triangledown L(\theta^{i-1}) \tag9θi=θi−1−η▽L(θi−1)(9)
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 xnx^nxn
L=(y^n−(b+∑wixin))2(10)L=(\hat y^n-(b+\sum w_ix_i^n))^2 \tag{10}L=(y^n−(b+∑wixin))2(10)
θi=θi−1−η▽Ln(θi−1)(11)\theta^i =\theta^{i-1}- \eta\triangledown L^n(\theta^{i-1}) \tag{11}θi=θi−1−η▽Ln(θi−1)(11)
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。
对比:
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:
y=b+w1x1+w2x2(12)y=b+w_1x_1+w_2x_2 \tag{12}y=b+w1x1+w2x2(12)
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 x1x_1x1 的scale比 x2x_2x2 要小很多,所以当 w1w_1w1 和 w2w_2w2 做同样的变化时,w1w_1w1 对 yyy 的变化影响是比较小的,x2x_2x2 对 yyy 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 w1w_1w1 对 yyy 的变化影响比较小,所以 w1w_1w1 对损失函数的影响比较小,w1w_1w1 对损失函数有比较小的微分,所以 w1w_1w1 方向上是比较平滑的。同理 x2x_2x2 对 yyy 的影响比较大,所以 x2x_2x2 对损失函数的影响比较大,所以在 x2x_2x2 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 iii(绿色框)都计算平均数,记做 mim_imi;还要计算标准差,记做 σi\sigma _iσi。
然后用第 rrr 个例子中的第 iii 个输入,减掉平均数 mim_imi,然后除以标准差 σi\sigma _iσi,得到的结果是所有的维数都是 000,所有的方差都是 111
梯度下降的理论基础
问题
当用梯度下降解决问题:
θ∗=arg maxθL(θ)(1)\theta^∗= \underset{ \theta }{\operatorname{arg\ max}} L(\theta) \tag1θ∗=θarg maxL(θ)(1)
每次更新参数 θ\thetaθ,都得到一个新的 θ\thetaθ,它都使得损失函数更小。即:
L(θ0)>L(θ1)>L(θ2)>⋅⋅⋅(13)L(\theta^0) >L(\theta^1)>L(\theta^2)>···\tag{13}L(θ0)>L(θ1)>L(θ2)>⋅⋅⋅(13)
上述结论正确吗?
结论是不正确的。。。
数学理论
比如在 θ0\theta^0θ0 处,可以在一个小范围的圆圈内找到损失函数细小的 θ1\theta^1θ1,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?
泰勒展开式
先介绍一下泰勒展开式
定义
若 h(x)h(x)h(x) 在 x=x0x=x_0x=x0 点的某个领域内有无限阶导数(即无限可微分,infinitely differentiable),那么在此领域内有:
h(x)=∑k=0∞hk(x0)k!(x−x0)k=h(x0)+h′(x0)(x−x0)+h′′(x0)2!(x−x0)2+⋯(14)\begin{aligned} h(x) &= \sum_{k=0}^{\infty }\frac{h^k(x_0)}{k!}(x-x_0)^k \\ & =h(x_0)+{h}'(x_0)(x−x_0)+\frac{h''(x_0)}{2!}(x−x_0)^2+⋯ \tag{14} \end{aligned} h(x)=k=0∑∞k!hk(x0)(x−x0)k=h(x0)+h′(x0)(x−x0)+2!h′′(x0)(x−x0)2+⋯(14)
当 xxx 很接近 x0x_0x0 时,有 h(x)≈h(x0)+h′(x0)(x−x0)h(x)≈h(x_0)+{h}'(x_0)(x−x_0)h(x)≈h(x0)+h′(x0)(x−x0)
式14 就是函数 h(x)h(x)h(x) 在 x=x0x=x_0x=x0 点附近关于 xxx 的幂函数展开式,也叫泰勒展开式。
举例:
图中3条蓝色线是把前3项作图,橙色线是 sin(x)sin(x)sin(x)。
多变量泰勒展开式
下面是两个变量的泰勒展开式
利用泰勒展开式简化
回到之前如何快速在圆圈内找到最小值。基于泰勒展开式,在 (a,b)(a,b)(a,b) 点的红色圆圈范围内,可以将损失函数用泰勒展开式进行简化:
将问题进而简化为下图:
不考虑s的话,可以看出剩下的部分就是两个向量(△θ1,△θ2)(\triangle \theta_1,\triangle \theta_2)(△θ1,△θ2) 和 (u,v)(u,v)(u,v) 的内积,那怎样让它最小,就是和向量 (u,v)(u,v)(u,v) 方向相反的向量
然后将u和v带入。
L(θ)≈s+u(θ1−a)+v(θ2−b)(14)L(\theta)\approx s+u(\theta_1 - a)+v(\theta_2 - b) \tag{14}L(θ)≈s+u(θ1−a)+v(θ2−b)(14)
发现最后的式子就是梯度下降的式子。但这里用这种方法找到这个式子有个前提,泰勒展开式给的损失函数的估算值是要足够精确的,而这需要红色的圈圈足够小(也就是学习率足够小)来保证。所以理论上每次更新参数都想要损失函数减小的话,即保证式1-2 成立的话,就需要学习率足够足够小才可以。
所以实际中,当更新参数的时候,如果学习率没有设好,是有可能式1-2是不成立的,所以导致做梯度下降的时候,损失函数没有越来越小。
式1-2只考虑了泰勒展开式的一次项,如果考虑到二次项(比如牛顿法),在实际中不是特别好,会涉及到二次微分等,多很多的运算,性价比不好。
梯度下降的限制
容易陷入局部极值
还有可能卡在不是极值,但微分值是0的地方
还有可能实际中只是当微分值小于某一个数值就停下来了,但这里只是比较平缓,并不是极值点
李弘毅机器学习:第四章—梯度下降法相关推荐
- 李弘毅机器学习笔记:第十四章—Why deep?
李弘毅机器学习笔记:第十四章-Why deep? 问题1:越深越好? 问题2:矮胖结构 v.s. 高瘦结构 引入模块化 深度学习 使用语音识别举例 语音辨识: 传统的实现方法:HMM-GMM 深度学习 ...
- 李弘毅机器学习笔记:第六章—Logistic Regression
李弘毅机器学习笔记:第六章-Logistic Regression logistic回归 Step1 逻辑回归的函数集 Step2 定义损失函数 Step3 寻找最好的函数 损失函数:为什么不学线性回 ...
- 李弘毅机器学习笔记:第二章
李弘毅机器学习笔记:第二章 回归定义和应用例子 回归定义 应用举例 模型步骤 Step 1:模型假设 - 线性模型 一元线性模型(单个特征) 多元线性模型(多个特征) Step 2:模型评估 - 损失 ...
- 李弘毅机器学习笔记:第十五章—半监督学习
李弘毅机器学习笔记:第十五章-半监督学习 监督学习和半监督学习 半监督学习的好处 监督生成模型和半监督生成模型 监督生成模型 半监督生成模型 假设一:Low-density Separation Se ...
- 李弘毅机器学习笔记:第九章—Hello world of dee
李弘毅机器学习笔记:第九章-"Hello world" of dee keras 是什么 示例 步骤1:定义模型 步骤2:模型评估 步骤3:最佳模型 3.1 Configurati ...
- 李弘毅机器学习笔记:第十三章—CNN
李弘毅机器学习笔记:第十三章-CNN 为什么用CNN Small region Same Patterns Subsampling CNN架构 Convolution Propetry1 Propet ...
- 李弘毅机器学习笔记:第七章—深度学习的发展趋势
李弘毅机器学习笔记:第七章-深度学习的发展趋势 回顾一下deep learning的历史: 1958: Perceptron (linear model) 1969: Perceptron has l ...
- 李弘毅机器学习笔记:第十二章—Recipe of Deep Learning
李弘毅机器学习笔记:第十二章-Recipe of Deep Learning 神经网络的表现 如何改进神经网络? 新的激活函数 梯度消失 怎么样去解决梯度消失? Adaptive Learning R ...
- 李弘毅机器学习笔记:第一章
李弘毅机器学习笔记:第一章 机器学习介绍 机器学习相关的技术 监督学习 半监督学习 迁移学习 无监督学习 监督学习中的结构化学习 强化学习 小贴士 机器学习介绍 这门课,我们预期可以学到什么呢?我想多 ...
最新文章
- PHP 截取字符串专题
- C语言main函数、return、exit函数
- linux 命令改配置文件,linux下 修改配置文件的命令
- figma应用——面向用户的咖啡点单APP的设计过程记录
- 命令color_【按键精灵教程】CmpColorEx、FindMultiColor 命令详解
- 非常实用,IDEA 搭建JDK源码学习环境(可修改+断点+笔记)
- HandlerAdapter解析参数过程之HandlerMethodArgumentResolver
- 两个数据表同步的触发器
- Oracle→数字函数、字符函数、时间函数、SYSDATE、TO_CHAR()、TO_DATE()、TO_NUMBER()、NVLNVL2NULLIF、ROW_NUMBER()
- JSP页面处理和输出
- 阿里百川SDK初始化失败 错误码是203
- 欧姆龙HOSTLINK协议,上位机软件欧姆龙HOSTLINK协议,适合欧姆龙全系列PLC
- 如何计算当地的中央子午线?全国各地中央子午线【转载】
- mysql 生日排序 查询生日由近到远 按照生日排序
- Python练习——用循环求100以内7的倍数
- LTE系统调试记录12:接收端画星座图
- 学位论文精读-hBMSCs在肿瘤微环境中分泌IL-6并上调IL-17水平协同促进DLBCL生长的研究
- 计算机软件在生物学应用,计算机辅助教学软件在生物教学中的应用
- spring mybatis 多数据源配置 jeesite 多数据源配置
- stp文件怎么变文件夹_PDPS教程之数模数据格式转换-stp文件怎么打开