- 前言
- 梯度下降法(Gradient Descent)优化函数的详解(0)线性回归问题
- 梯度下降法(Gradient Descent)优化函数的详解(1)批量梯度下降法(Batch Gradient Descent)
- 梯度下降法(Gradient Descent)优化函数的详解(2)随机梯度下降法(SGD Stochastic Gradient Descent)
- 梯度下降法(Gradient Descent)优化函数的详解(3)小批量随机梯度下降法(mini-batch SGD )
- 几种算法的比较
小批量随机梯度下降法(mini-batch SGD )
SGD相对来说要快很多,但是也有存在问题,由于单个样本的训练可能会带来很多噪声,使得SGD并不是每次迭代都向着整体最优化方向,因此在刚开始训练时可能收敛得很快,但是训练一段时间后就会变得很慢。在此基础上又提出了小批量梯度下降法,它是每次从样本中随机抽取一小批进行训练,而不是一组。
主要思想
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
每一次迭代按照一定的学习率α沿梯度的反方向更新参数,直至收敛,公式
接下来我们回到房价预测问题上。
这是mini-batch 梯度下降法, k表示每一个batch的总样本数:
step1:
step2: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
step3:
记为
,
记为
,分别表示loss在a、b方向的梯度,更新参数的方式如下
算法实现
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。
小批量随机梯度下降伪代码
输入参数:rate,
,
,scope
============> rate为设定的学习率
============>
为给定的模拟数据
============> x取值范围
============> scope 训练次数
输出参数:a,b,loss
1):初始化a,b
2):for i in len(x)
A:更新x的值: x[i] = (x[i] - x_min)/(x_max - x_min)
B:更新y的值: y[i] = (y[i] - y_min)/(y_max - y_min)
3):for step in scope
A:随机打乱x,y的数据,并且保持x和y一一对应:shuffle_data(x,y)
B:将x分为group组,每组x_new=x/group个样本
C:for i in len(x_new)
A:累加all_da的值:all_da = all_da +da(y_new[i],y_p,x_new[i])
B:累加all_db的值:all_db = all_db_db(y_new[i],y_p,x_new[i])
D:更新a旳值:a = a - rate × all_da
E:更新b旳值:b = b - rate × all_db
4)end
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。
总结:
batcha_size的选择带来的影响:
(1)在合理地范围内,增大batch_size的好处:
a. 内存利用率提高了,大矩阵乘法的并行化效率提高。
b. 跑完一次 epoch(全数据集)所需的迭代次数减少,对于相同数据量的处理速度进一步加快。
c. 在一定范围内,一般来说 Batch_Size 越大,其确定的下降方向越准,引起训练震荡越小。
(2)盲目增大batch_size的坏处:
a. 内存利用率提高了,但是内存容量可能撑不住了。
b. 跑完一次 epoch(全数据集)所需的迭代次数减少,要想达到相同的精度,其所花费的时间大大增加了,从而对参数的修正也就显得更加缓慢。
c. Batch_Size 增大到一定程度,其确定的下降方向已经基本不再变化。
代码实现:https://github.com/admin110/s0/blob/master/MSGD.py
几种算法的比较
为了便于理解,这里我们将使用只含有一个特征的线性回归来展开。此时线性回归的假设函数为:
这里我们使用了偏置项
。
1. 批量梯度下降(Batch Gradient Descent,BGD)
批量梯度下降法是最原始的形式,它是指在每一次迭代时使用所有样本来进行梯度的更新。从数学上理解如下:
对应的目标函数(代价函数)为:
(1)对目标函数求偏导:
其中 i=1,2,…,m 表示样本数, j=0,1 表示特征数
(2)每次迭代对参数进行更新:
注意这里更新时存在一个求和函数,即为对所有样本进行计算处理,可与下文SGD法进行比较。
2. 随机梯度下降(Stochastic Gradient Descent,SGD)
随机梯度下降法不同于批量梯度下降,随机梯度下降是每次迭代使用一个样本来对参数进行更新。使得训练速度加快。
对于一个样本的目标函数为:
对应的目标函数(代价函数)即为:
(1)对目标函数求偏导:
(2)每次迭代对参数进行更新:
注意,这里不再有求和符号
解释一下为什么SGD收敛速度比BGD要快:
答:这里我们假设有30W个样本,对于BGD而言,每次迭代需要计算30W个样本才能对参数进行一次更新,需要求得最小值可能需要多次迭代(假设这里是10);而对于SGD,每次更新参数只需要一个样本,因此若使用这30W个样本进行参数更新,则参数会被更新(迭代)30W次,而这期间,SGD就能保证能够收敛到一个合适的最小值上了。也就是说,在收敛时,BGD计算了 10×30W 次,而SGD只计算了 1×30W 次。
3. 小批量梯度下降(Mini-Batch Gradient Descent, MBGD)
小批量梯度下降,是对批量梯度下降以及随机梯度下降的一个折中办法。其思想是:每次迭代 使用 b = batch_size 个样本来对参数进行更新。
对应的目标函数(代价函数)为:
(1)对目标函数求偏导:
(2)每次迭代对参数进行更新:
对比图如下:
- | BGD | SGD | MSGD |
---|---|---|---|
伪代码 | repeat{ } | repeat{ for i=1,…,m{ } } |
repeat{ for i=1,…,b{ } } |
优点 | (1)一次迭代是对所有样本进行计算,此时利用矩阵进行操作,实现了并行。 (2)由全数据集确定的方向能够更好地代表样本总体,从而更准确地朝向极值所在的方向。当目标函数为凸函数时,BGD一定能够得到全局最优。 |
(1)由于不是在全部训练数据上的损失函数,而是在每轮迭代中,随机优化某一条训练数据上的损失函数,这样每一轮参数的更新速度大大加快。 | (1)通过矩阵运算,每次在一个batch上优化神经网络参数并不会比单个数据慢太多。 (2)每次使用一个batch可以大大减小收敛所需要的迭代次数,同时可以使收敛到的结果更加接近梯度下降的效果。 (3)可实现并行化。 |
缺点 | (1)当样本数目 m 很大时,每迭代一步都需要对所有样本计算,训练过程会很慢。 | (1)准确度下降。由于即使在目标函数为强凸函数的情况下,SGD仍旧无法做到线性收敛。 (2)可能会收敛到局部最优,由于单个样本并不能代表全体样本的趋势. (3)不易于并行实现。 |
(1)batch_size的不当选择可能会带来一些问题。 |
好了,梯度算法到这就告一段落了。
上一篇:[梯度下降法(Gradient Descent)优化函数的详解(2)随机梯度下降法(SGD Stochastic Gradient Descent)]
(https://blog.csdn.net/qq_25628891/article/details/83245184)