【深度学习】吴恩达课程笔记(四)——优化算法
笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~
【吴恩达课程笔记专栏】
【深度学习】吴恩达课程笔记(一)——深度学习概论、神经网络基础
【深度学习】吴恩达课程笔记(二)——浅层神经网络、深层神经网络
【深度学习】吴恩达课程笔记(三)——参数VS超参数、深度学习的实践层面
吴恩达课程笔记——优化算法
- 八、优化算法
-
- 1.优化算法介绍
- 2.批量梯度下降（Batch Gradient Descent）
-
- 目的
- 步骤
- 优点
- 缺点
- 3.随机梯度下降（Stochastic Gradient Descent, SGD）
-
- 目的
- 步骤
- 优点
- 缺点
- 4.小批量梯度下降（Mini-batch Gradient Descent）
-
- 目的
- 步骤
- 优点
- 缺点
- 理解
- 如何选择mini-batch size
- 5.指数加权平均数（Exponentially Weighted Averages）
-
- 目的
- 步骤
- 优点
- 缺点
- 具体加权过程举例
- 指数加权平均的偏差修正
- 6.动量梯度下降法 (Gradient descent of Momentum)
-
- 目的
- 基本原理
- 7.RMSprop
-
- 目的
- 优点
- 基本原理
- 8.Adam 优化算法(Adam optimization algorithm)
-
- 简介
- 工作方式
- 优点
- 算法
- 9.学习率衰减(Learning rate decay)
-
- 做法
- 几种公式
- 10.局部最优问题
八、优化算法
1.优化算法介绍
当涉及深度学习优化算法时，我们通常会面临一个目标：最小化一个损失函数。这个损失函数衡量了模型预测与实际值之间的差距。为了找到最佳的模型参数，我们需要使用优化算法来调整这些参数，以便最小化损失函数。
以下是一些常用的深度学习优化算法：
- 梯度下降（Gradient Descent）：通过计算成本函数相对于参数的梯度，并沿着梯度的反方向更新参数，以最小化成本函数。
- 随机梯度下降（Stochastic Gradient Descent, SGD）：与梯度下降类似，但是每次迭代中只使用一个样本来计算梯度，这在大型数据集上更有效。
- 小批量梯度下降（Mini-batch Gradient Descent）：结合了批量梯度下降和随机梯度下降的优点，每次迭代使用一小批样本来计算梯度。
- 指数加权平均数（ Exponentially weighted averages）：常用于计算梯度的指数加权平均或者计算参数的指数加权平均。
- 动量梯度下降法 (Gradient descent of Momentum) ：梯度下降算法的一种改进版本，它结合了梯度下降和动量的概念。
- RMSProp：通过考虑梯度的平方的指数衰减平均值来调整学习率，以应对Adagrad的学习率急剧下降问题。
- Adam 优化算法(Adam optimization algorithm) ：在训练神经网络时有效地调整参数，并能够适应不同参数的变化情况，结合了动量梯度下降法和RMSProp算法。
- 学习率衰减(Learning rate decay) ：在训练神经网络时逐渐降低学习率的过程。
这些算法都有各自的优劣势，适用于不同类型的深度学习任务。在实际应用中，通常需要根据具体问题和数据集的特点来选择合适的优化算法。
2.批量梯度下降（Batch Gradient Descent）
目的
批量梯度下降是为了优化模型参数，使得损失函数达到最小值，从而实现训练数据的拟合和模型的泛化能力。
步骤
-
初始化参数：随机初始化模型参数或采用预训练的参数作为初始值。
-
对于整个训练样本集合进行如下操作：
-
计算梯度：计算损失函数关于所有训练样本的参数的梯度，即
∇ J ( θ ) = 1 m ∑ i = 1 m ∇ J ( θ ; x ( i ) , y ( i ) ) \nabla J(\theta) = \frac{1}{m} \sum_{i=1}^{m} \nabla J(\theta; x^{(i)}, y^{(i)}) ∇J(θ)=m1i=1∑m∇J(θ;x(i),y(i)) -
更新参数：利用所有训练样本的梯度信息，按照梯度下降的更新规则来更新模型参数：
θ = θ − η ⋅ ∇ J ( θ ) \theta = \theta - \eta \cdot \nabla J(\theta) θ=θ−η⋅∇J(θ)
其中， ( η ) 是学习率， ( m ) 是训练样本的数量。
-
优点
- 可以保证收敛性，即在合理的学习率下，批量梯度下降一定可以找到全局最优解或局部最优解。
缺点
- 当训练样本很大时，计算所有训练样本的梯度会非常耗时，尤其在内存有限的情况下。
- 对于大规模数据集，批量梯度下降的计算效率较低。
3.随机梯度下降（Stochastic Gradient Descent, SGD）
目的
随机梯度下降（Stochastic Gradient Descent, SGD）是梯度下降法的一种变种
通过每次迭代仅利用单个训练样本的梯度信息，来更新模型参数，从而减少计算开销，并加快收敛速度。
步骤
-
初始化参数：随机初始化模型参数或采用预训练的参数作为初始值。
-
对于每个训练样本 (x(i), y(i)) 进行如下操作：
-
计算梯度：计算损失函数关于当前样本的参数的梯度，即
∇ J ( θ ; x ( i ) , y ( i ) ) \nabla J(\theta; x^{(i)}, y^{(i)}) ∇J(θ;x(i),y(i))
-
更新参数：利用当前样本的梯度信息，按照梯度下降的更新规则来更新模型参数：
θ = θ − η ⋅ ∇ J ( θ ; x ( i ) , y ( i ) ) \theta = \theta - \eta \cdot \nabla J(\theta; x^{(i)}, y^{(i)}) θ=θ−η⋅∇J(θ;x(i),y(i))
其中，（ η ）是学习率。
-
优点
- 减少计算开销：由于每次仅利用单个样本来更新参数，相比批量梯度下降，SGD在计算上更为高效。
- 适用于大规模数据集：特别适用于大规模数据集，因为每次迭代只需要处理一个样本。
缺点
- 不稳定性：由于每次迭代仅利用单个样本，使得更新方向带有较大的随机性，可能导致收敛过程不稳定。
- 学习率调整困难：学习率的选择对于SGD的影响较大，需要谨慎调整。
4.小批量梯度下降（Mini-batch Gradient Descent）
目的
小批量梯度下降是为了优化模型参数，使得损失函数达到最小值，从而实现训练数据的拟合和模型的泛化能力。
步骤
-
初始化参数：随机初始化模型参数或采用预训练的参数作为初始值。
-
对于每个小批量样本(x(i), y(i)) 进行如下操作：
-
计算梯度：计算损失函数关于当前小批量样本的参数的梯度，即
1 m ∑ i = 1 m ∇ J ( θ ; x ( i ) , y ( i ) ) \frac{1}{m} \sum_{i=1}^{m} \nabla J(\theta; x^{(i)}, y^{(i)}) m1i=1∑m∇J(θ;x(i),y(i)) -
更新参数：利用当前小批量样本的梯度信息，按照梯度下降的更新规则来更新模型参数：
θ = θ − η ⋅ 1 m ∑ i = 1 m ∇ J ( θ ; x ( i ) , y ( i ) ) \theta = \theta - \eta \cdot \frac{1}{m} \sum_{i=1}^{m} \nabla J(\theta; x^{(i)}, y^{(i)}) θ=θ−η⋅m1i=1∑m∇J(θ;x(i),y(i))
其中， ( η ) 是学习率， ( m ) 是小批量样本的大小。
-
优点
- 小批量梯度下降结合了梯度下降和随机梯度下降的优点，可以更快地收敛到局部最优解。
- 可以充分利用矩阵运算的并行性，提高计算效率。
缺点
- 需要调节的超参数更多，如学习率 ( η ) 和小批量样本的大小 ( m )。
- 需要对数据进行分批处理，增加了实现的复杂性。
理解
定义梯度下降时使用一次全部样本集合为一代。
- batch梯度下降的 J 会不断下降；mini-batch梯度下降的 J 不一定会不断下降，但是整体呈现下降趋势。
-
两者都需要多次遍历全部数据集才会有效果。在mini-batch中，如果只经历一代，那么梯度下降的效果虽然比batch一代好，但总体效果仍是微小的。
-
使用mini-batch时，每重新开始遍历一次数据集，应当把数据集中的数据重新打乱分配到mini-batch中，体现出随机性
如何选择mini-batch size
- 小训练集：使用batch gradient decent（m less than 2000）
- 通常的minibatch size：64、128、256、512、1024
5.指数加权平均数（Exponentially Weighted Averages）
目的
指数加权平均数用于对时间序列数据进行平滑处理，以便观察数据的长期趋势。
步骤
假设给定一个序列 ( x1, x2, …, xt )，其指数加权平均数 ( vt ) 的计算方式为：
v t = β v t − 1 + ( 1 − β ) x t v_t = \beta v_{t-1} + (1-\beta) x_t vt=βvt−1+(1−β)xt
( 0 < < 1 ) 被称为平滑因子，较大的平滑因子意味着新观测值对平均数的影响更大，从而使得平均数更快地适应最新的观测值；而较小的平滑因子则意味着平均数更加稳定、更不容易受到新观测值的影响。
( v0 ) 可以被初始化为 0 或者 x1 ，为了在开始时确定初始的指数加权平均数值
优点
- 对不同时刻的数据赋予不同的权重，更加灵活地适应数据变化。
- 计算高效，每次更新只需要一次乘法和一次加法运算。
缺点
- 对于某些特定类型的数据，可能对异常值（outliers）过于敏感，从而影响平均值的准确性。
具体加权过程举例
假设英国去年第t天的气温是θt
要用一条曲线拟合温度变化，可以进行如下操作
v 0 = 0 v t = β v t − 1 + ( 1 − β ) θ t v_0=0 \\ v_t=\beta v_{t-1}+(1-\beta)\theta_t v0=0vt=βvt−1+(1−β)θt
其中 vt 是第t天附近的 1/(1-) 天的平均天气。
为什么这么规定？
（ 1 − ε ） 1 / ε 约等于 1 e （数学中一个挺重要的数） 这说明 1 1 − β 天之外的数所占的权重总共不到 1 e ，不那么值得关注了 （1-ε）^{1/ε}约等于\frac{1}{e}（数学中一个挺重要的数）\\ 这说明\frac{1}{1-\beta}天之外的数所占的权重总共不到\frac{1}{e}，不那么值得关注了 （1−ε）1/ε约等于e1（数学中一个挺重要的数）这说明1−β1天之外的数所占的权重总共不到e1，不那么值得关注了
β = 0.9 ( 1 − 0.1 ) 1 0.1 = 0. 9 10 β = 0.98 ( 1 − 0.02 ) 1 0.02 = 0.9 8 50 \beta = 0.9\\ (1-0.1)^{\frac{1}{0.1}} = 0.9^{10} \\ \beta = 0.98 \\ (1-0.02)^{\frac{1}{0.02}} = 0.98^{50} β=0.9(1−0.1)0.11=0.910β=0.98(1−0.02)0.021=0.9850
可以看出 越大，平均的天数越大，拟合得越粗略。
红色：=0.9；绿色：=0.98
指数加权平均的偏差修正
由于v0=0，v1= v0 + (1-) θ1 = （1-）θ1，前几个vi的值会非常的小，如图中紫线。当迭代到一定数量之后，拟合才变得正常（紫线逼近绿线）。
偏差修正的目的是为了消除初始时刻的平均值对整体平均值的影响。偏差修正可以通过以下公式实现：
v t ^ = v t 1 − α t v t ^ 表示经过偏差修正后的平均值 v t 表示未经修正的平均值 β 为平滑因子 t 表示时间步 \hat{v_t} = \frac{v_t}{1 - \alpha^t} \\ \hat{v_t} 表示经过偏差修正后的平均值\\ v_t 表示未经修正的平均值\\ \beta 为平滑因子\\ t 表示时间步\\ vt^=1−αtvtvt^表示经过偏差修正后的平均值vt表示未经修正的平均值β为平滑因子t表示时间步
通过偏差修正，可以有效地减小最初几个数据点对平均值的影响，得到更加准确和稳定的指数加权平均值。
6.动量梯度下降法 (Gradient descent of Momentum)
目的
加速梯度下降过程
基本原理
传统的梯度下降法在更新参数时只考虑当前的梯度值，而动量梯度下降法引入了一个额外的动量项，用于模拟物理中的动量效应。
在每次参数更新时，动量梯度下降法会根据当前梯度和上一次的动量来计算一个更新量，并将该更新量应用于参数。更新量由两部分组成：一部分是当前梯度的方向，另一部分是上一次动量的方向。
蓝线是一般梯度下降的成本函数值迭代情况，红线是动量梯度下降法中成本函数迭代境况。
我们使用指数加权平均来计算新的dW和db。在竖直方向上，由于平均值接近0，所以动量梯度下降的竖直方向迭代值接近0 。在水平方向上，动量梯度下降的迭代值则为正常水平。
d w = β ⋅ d w t − 1 + ( 1 − β ) ⋅ ∂ J ∂ w d b = β ⋅ d b t − 1 + ( 1 − β ) ⋅ ∂ J ∂ b w = w − α ⋅ d w b = b − α ⋅ d b dw = \beta \cdot dw_{t-1} + (1 - \beta) \cdot \frac{\partial J}{\partial w}\\ db = \beta \cdot db_{t-1} + (1 - \beta) \cdot \frac{\partial J}{\partial b}\\ w = w - \alpha \cdot dw\\ b = b - \alpha \cdot db\\ dw=β⋅dwt−1+(1−β)⋅∂w∂Jdb=β⋅dbt−1+(1−β)⋅∂b∂Jw=w−α⋅dwb=b−α⋅db
β 是动量系数 , 通常取 0.9 α 是学习率 J 是损失函数 d w t − 1 和 d b t − 1 表示上一次的权重和偏置更新量 ∂ J ∂ w 和 ∂ J ∂ b 分别是损失函数对权重和偏置的偏导数 w 和 b 分别表示更新后的权重和偏置 \beta 是动量系数,通常取0.9\\ \alpha 是学习率\\ J 是损失函数\\ dw_{t-1} 和 db_{t-1} 表示上一次的权重和偏置更新量\\ \frac{\partial J}{\partial w} 和 \frac{\partial J}{\partial b} 分别是损失函数对权重和偏置的偏导数\\ w 和 b 分别表示更新后的权重和偏置 β是动量系数,通常取0.9α是学习率J是损失函数dwt−1和dbt−1表示上一次的权重和偏置更新量∂w∂J和∂b∂J分别是损失函数对权重和偏置的偏导数w和b分别表示更新后的权重和偏置
7.RMSprop
目的
解决传统梯度下降法中学习率衰减过快的问题。RMSprop通过对梯度的平方进行指数加权移动平均来调整学习率，从而加速模型的训练。
优点
使用它的时候可以适当加大学习率
基本原理
如图，我们不想要绿线，而想要蓝线。
我们需要计算一个额外变量S，S等于目前数据附近水平方向或竖直方向的dX的方差。
我们在更新数据（W、b）的时候，把原来要减掉的dX除以这个方差，那么方差大的方向变化量就减少，方差小的方向变化量就仍处于正常水平甚至增大。
8.Adam 优化算法(Adam optimization algorithm)
简介
adam是训练神经网络中最有效的优化算法之一。它结合了momentum和RMSprop。
工作方式
- 计算上一个梯度的指数加权平均，存储在v中。
- 计算上一个梯度指数加权平均的平方，存储在s中。
- 使用adam的规则更新参数。
优点
- 通常比较节省内存（尽管还是比GD和momentum多）
- 即使在低学习率条件下也能运行得很好
算法
{ v d W [ l ] = β 1 v d W [ l ] + ( 1 − β 1 ) ∂ J ∂ W [ l ] v d W [ l ] c o r r e c t e d = v d W [ l ] 1 − ( β 1 ) t s d W [ l ] = β 2 s d W [ l ] + ( 1 − β 2 ) ( ∂ J ∂ W [ l ] ) 2 s d W [ l ] c o r r e c t e d = s d W [ l ] 1 − ( β 1 ) t W [ l ] = W [ l ] − α v d W [ l ] c o r r e c t e d s d W [ l ] c o r r e c t e d + ε l = 1 , . . . , L \begin{cases} v_{dW^{[l]}} = \beta_1 v_{dW^{[l]}} + (1 - \beta_1) \frac{\partial \mathcal{J} }{ \partial W^{[l]} } \\ v^{corrected}_{dW^{[l]}} = \frac{v_{dW^{[l]}}}{1 - (\beta_1)^t} \\ s_{dW^{[l]}} = \beta_2 s_{dW^{[l]}} + (1 - \beta_2) (\frac{\partial \mathcal{J} }{\partial W^{[l]} })^2 \\ s^{corrected}_{dW^{[l]}} = \frac{s_{dW^{[l]}}}{1 - (\beta_1)^t} \\ W^{[l]} = W^{[l]} - \alpha \frac{v^{corrected}_{dW^{[l]}}}{\sqrt{s^{corrected}_{dW^{[l]}}} + \varepsilon} \end{cases} \\ l = 1, ..., L ⎩ ⎨ ⎧vdW[l]=β1vdW[l]+(1−β1)∂W[l]∂JvdW[l]corrected=1−(β1)tvdW[l]sdW[l]=β2sdW[l]+(1−β2)(∂W[l]∂J)2sdW[l]corrected=1−(β1)tsdW[l]W[l]=W[l]−αsdW[l]corrected+εvdW[l]correctedl=1,...,L
其中：
- t是adam进行到的步数
- L是神经网络的层数
- 1（建议使用0.9）和 2（建议使用0.999）是控制两个指数加权平均的
- α 是学习率
- ε 是一个用来放置分母为0的值很小的数
9.学习率衰减(Learning rate decay)
做法
在不同的代（epoch）上使用递减的学习率
几种公式
α = 1 1 + d e c a y r a t e ∗ e p o c h n u m ∗ α 0 α = a e p o c h n u m ∗ α 0 α = k e p o c h n u m ∗ α 0 手动调整 α 的值 \alpha=\frac{1}{1+decayrate*epochnum}*\alpha_0 \\ \alpha=a^{epochnum}*\alpha_0 \\ \alpha=\frac{k}{\sqrt{epochnum}}*\alpha_0 \\ 手动调整\alpha的值 α=1+decayrate∗epochnum1∗α0α=aepochnum∗α0α=epochnumk∗α0手动调整α的值
10.局部最优问题
- 在神经网络规模较大、参数较多的时候，实际上很难达到局部最优点，更有可能达到的是鞍点。因此梯度下降被困在局部最优点不是很大的问题。
- 鞍点会减缓学习速度，而momentum、RMSprop、Adam正式可以解决这种问题
