深度学习优化函数详解（3）-- mini-batch SGD 小批量随机梯度下降

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/tsyccnh/article/details/76136771

深度学习优化函数详解系列目录

本系列课程代码，欢迎star：
https://github.com/tsycnh/mlbasic

深度学习优化函数详解（0）-- 线性回归问题
深度学习优化函数详解（1）-- Gradient Descent 梯度下降法
深度学习优化函数详解（2）-- SGD 随机梯度下降
深度学习优化函数详解（3）-- mini-batch SGD 小批量随机梯度下降
深度学习优化函数详解（4）-- momentum 动量法
深度学习优化函数详解（5）-- Nesterov accelerated gradient (NAG)
深度学习优化函数详解（6）-- adagrad

本文延续该系列的上一篇 深度学习优化函数详解（2）-- SGD 随机梯度下降

上一篇我们说到了SGD随机梯度下降法对经典的梯度下降法有了极大速度的提升。但有一个问题就是由于过于自由 导致训练的loss波动很大。那么如何可以兼顾经典GD的稳定下降同时又保有SGD的随机特性呢？于是小批量梯度下降法, mini-batch gradient descent 便被提了出来。其主要思想就是每次只拿总训练集的一小部分来训练，比如一共有5000个样本，每次拿100个样本来计算loss，更新参数。50次后完成整个样本集的训练，为一轮（epoch）。由于每次更新用了多个样本来计算loss，就使得loss的计算和参数的更新更加具有代表性。不像原始SGD很容易被某一个样本给带偏 。loss的下降更加稳定，同时小批量的计算，也减少了计算资源的占用。

公式推导

我们再来回顾一下参数更新公式。每一次迭代按照一定的学习率 $\alpha$ 沿梯度的反方向更新参数，直至收敛
$\theta_{t+1}=\theta_{t}-\alpha\frac{df}{d\theta}$

接下来我们回到房价预测问题上。线形模型：
$y_{p,i}=ax_i+b$
这是经典梯度下降方法求loss，每一个样本都要经过计算：
${loss=\frac{1}{2m}\sum_{i=1}^m(y_{p,i}-y_i)^2 }$
这是SGD梯度下降方法：
${loss=\frac{1}{2}(y_{p,i}-y_i)^2 }$
这是mini-batch 梯度下降法, k表示每一个batch的总样本数：
${loss_{batch}=\frac{1}{2k}\sum_{i=1}^k(y_{p,i}-y_i)^2 }$

要优化的参数有两个，分别是a和b，我们分别对他们求微分，也就是偏微分, 再求和的均值
$\frac{\partial loss_{batch}}{\partial a}=\frac{1}{k}\sum_{i=1}^k(ax_i+b-y_i)x_i$
$\frac{\partial loss_{batch}}{\partial b}=\frac{1}{k}\sum_{i=1}^k(ax_i+b-y_i)$

$\frac{\partial loss_{batch}}{\partial a}$ 记为 $\nabla a$ $\frac{\partial loss_{batch}}{\partial b}$ 记为 $\nabla b$ ,分别表示loss在a、b方向的梯度, 更新参数的方法如下
$a_{new}=a-\alpha \nabla a$
$b_{new}=b-\alpha \nabla b$

实验

小技巧：在每一个epoch计算完所有的样本后，计算下一代样本的时候，可以选择打乱所有样本顺序。

下面是SGD方法的训练结果

下面是 mini-batch SGD方法的训练结果

由于我的训练样本比较少，所以选择了比较大的学习率来体现效果。mini-batch SGD中，每次选择3个样本作为一个batch进行训练。容易看出，波动的减小还是比较明显。同时收敛的速度也是大大加快，几乎一步就走到了合适的参数范围。

由于mini-batch SGD 比 SGD 效果好很多，所以人们一般说SGD都指的是 mini-batch gradient descent. 大家不要和原始的SGD混淆。现在基本所有的大规模深度学习训练都是分为小batch进行训练的。

本文全部代码实现：https://github.com/tsycnh/mlbasic/blob/master/p3 minibatch SGD.py