梯度下降常见算法 BGD, SGD, MBGD 简介

参考文献

An overview of gradient descent optimization algorithms

梯度下降 GD(Gradient Descent)

• 梯度方向是函数变化率最大的方向，是函数增长最快的方向。

  • 梯度的反方向是函数减少的最快方向。

• ex: 从山上走到谷底

• (x_j^{(i+1)} = x_j^{(i)}-eta cdot frac{partial f}{partial x_j}(x^{(i)})), 对(i>0). 表示第j个参数，第i次迭代。

  • 其中(eta)为learning rate

• 常见变形有：BGD，SGD，MBGD等等

BGD（Batch Gradient Descent）

• 对整个训练集计算损失函数对参数的梯度：( heta = heta - eta cdot riangledown _{ heta}J( heta))
• 对于非凸函数得局部极小值和鞍点处，会停止更新，不会震荡。
• 缺点：训练集可能有相似的样本，整个训练集都算一次就会很慢且有冗余。

for i in range ( nb_epochs ):
	params_grad = evaluate_gradient ( loss_function , data , params )
	params = params - learning_rate * params_grad

SGD (Stochastic Gradient Descent)

• 一次只进行一次更新，没有冗余，比较快，可以新增样本。
• 缺点：
  • 噪声比BGD多，不是每次迭代都向着整体最优的方向。
  • 更新频繁，cost function可能严重震荡。
  • 对于非凸函数，容易困在局部极小值或鞍点处，来回震荡。

for i in range ( nb_epochs ):
	np . random . shuffle ( data )
	for example in data :
		params_grad = evaluate_gradient ( loss_function , example , params )
		params = params - learning_rate * params_grad

MBCG(Mini-Batch Gradient Descent)

• 每次利用一小批的样本，利用n个样本进行计算。
• BCG和SGD每个epoch都会扫过整个数据集，而MBCG每个epoch只处理一个batch_size（一般50~256）的数据。
• 优点：降低参数更新时的方差，收敛更稳定。
• 缺点：
  • 不能保证很好的收敛性。
  • 对于非凸函数，容易困在局部极小值或鞍点处，来回震荡。

for i in range ( nb_epochs ):
	np.random.shuffle(data)
	for batch in get_batches ( data , batch_size =50):
	params_grad = evaluate_gradient ( loss_function , batch , params )
	params = params - learning_rate * params_grad