「李宏毅机器学习」学习笔记-Gradient Descent

2024-02-27 17:45:57

BlueCode

首页归档关于赞助软件订阅

「李宏毅机器学习」学习笔记-Gradient Descent

Oct 31, 2018 | 机器学习 | 阅读文章目录

本章课程PDF，视频（油管或B站）。

Review

Gradient Descent算法流程如下图：

流程可视化效果如下图：

Tip 1: Tuning your learning rates

learning rate太小，loss值下降会很慢，如图左蓝色线；learning rate比较大，loss值有可能会卡在一个地方，如图左绿色曲线，learning rate很大，loss值有可能变大，如图左红色曲线。

可以可视化learning rate与loss值的关系，如图右所示。在做Gradient Descent时候建议画出此图，可以更好的选择learning rate。

Adaptive Learning Rates

为了达到以上目的，有很多技巧，比如Adagrad。

Adagrad

此时，可能会发现一个矛盾，在做一般的Gradient Descent中，参数的update取决于两件事情，一件事情是learning rate，另一件事情是gradient。gradient越大，参数update就越快。在Adagrad中，gradient越大，分母就会越大，正好与gradient对参数update的影响相反，如图所示。

其实，Adagrad如此处理，直觉上来讲，是为了突出反差的效果。

更正式的解释是这样：

只考虑一个参数的时候，调整的best step与一次微分有关。

考虑两个参数的时候，可以看出w1w1上的a点的微分值是比较小的，w2w2上的c点的微分值是比较大的，但是可以明显看出，a点离最低点是比较远的，c点离最低点是比较近的。所以，考虑跨参数的时候，就不能仅仅只考虑一次微分值。

同时考虑多个参数的时候，调整的best step与一次微分和二次微分有关。Adagrad的做法是在没有额外多余的运算下估算二次微分。

Tip 2: Stochastic Gradient Descent：Make the training faster

正常的Gradient Descent，Loss是考虑所有的training example，Stochastic Gradient Descent的Loss只考虑某一个example。

从Demo中可以看出，Gradient Descent看过所有的example后update一次参数，是比较稳定的；Stochastic Gradient Descent每看到一个example后就update一次参数，是比较散乱的，但是速度是比较快的。

Tip 3: Feature Scaling

Feature Scaling是为了让特征有相同的分布。

e.g.假设y=b+w1x1+w2x2y=b+w1x1+w2x2中x1x1的值是比较小的（1，2……），x2x2的值是比较大的（100，200……），对w1w1、w2w2的值做相同的变化，会发现w1w1对yy的变化是比较小的，w2w2对yy的变化是比较大的。因此可以画出蓝色圈圈的图，在w1w1方向上是比较smooth的，在w2w2方向上是比较sharp的，这时候update参数是比较难的。经过Feature Scaling处理后，可以得到绿色圈圈的图，这时候update参数是比较容易，比较有效率的。

常用的Feature Scaling方法之一如图所示：