本文共 6104 字,大约阅读时间需要 20 分钟。
title: ‘DeepLearning.ai笔记:(2-2)-- 优化算法(Optimization algorithms)’
id: 2018091621 tags:首发于个人博客:,欢迎来访
这周学习了优化算法,可以让神经网络运行的更快。主要有:
原本的梯度下降算法,在每一次的迭代中,要把所有的数据都进行计算再取平均,那如果你的数据量特别大的话,每进行一次迭代就会耗费大量的时间。
所以就有了mini-batch,做小批量的计算迭代。也就是把训练集划分成n等分,比如数据量有500万个的时候,以1000为单位,将数据集划分为5000份,
x = x { 1 } , x { 2 } , x { 3 } , . . . . . , x { 5000 } x = {x^{\lbrace 1 \rbrace},x^{\lbrace 2 \rbrace},x^{\lbrace 3 \rbrace},.....,x^{\lbrace 5000 \rbrace}} x=x{ 1},x{ 2},x{ 3},.....,x{ 5000}用大括弧表示每一份的mini-batch,其中每一份 x { t } x^{\lbrace t \rbrace} x{ t}都是1000个样本。
这个时候引入epoch的概念,1个epoch相当于是遍历了一次数据集,比如用mini-batch,1个epoch就可以进行5000次迭代,而传统的batch把数据集都一起计算,相当于1个epoch只进行了1次迭代。
具体计算步骤是:
for t in range(5000)
,循环每次迭代 batch和mini-batch的对比如图:
mini-batch size的选择
因为电脑的内存和使用方式都是二进制的,而且是2的n次方,所以之前选1000也不太合理,可以选1024,但是1024也比较少见,一般是从64到512。也就是 64 、 128 、 256 、 512 64、128、256、512 64、128、256、512
蓝色的点是每一天的气温,可以看到是非常抖动的,那如果可以把它平均一下,比如把10天内的气温平均一下,就可以得到如红色的曲线。
但是如果是单纯的把前面的10天气温一起平均的话,那么这样你就需要把前10天的气温全部储存记录下来,这样子虽然会更准一点,但是很浪费储存空间,所以就有了指数加权平均这样的概念。方法如下:
V 0 = 0 V_0 = 0 V0=0
V 1 = β ∗ V 0 + ( 1 − β ) θ 1 V_1 = \beta * V_0 + (1 - \beta) \theta_1 V1=β∗V0+(1−β)θ1
… … …… ……
V t = β ∗ V t − 1 + ( 1 − β ) θ t V_t = \beta * V_{t-1} + (1 - \beta) \theta_t Vt=β∗Vt−1+(1−β)θt
其中, θ t \theta_t θt表示第t天的温度,而 V t V_t Vt表示指数加权平均后的第t天温度, β \beta β这个参数表示 1 1 − β \frac{1}{1-\beta} 1−β1天的平均,也就是, β = 0.9 \beta = 0.9 β=0.9,表示10天内的平均, β = 0.98 \beta = 0.98 β=0.98,表示50天内的平均。
我们再来看一下公式:
v t = β v t − 1 + ( 1 − β ) θ t v_t = \beta v_{t-1} + (1 - \beta) \theta_t vt=βvt−1+(1−β)θt
假设 β = 0.9 \beta = 0.9 β=0.9,那么
v 100 = 0.9 v 99 + 0.1 θ 100 v_{100} = 0.9v_{99} + 0.1\theta_{100} v100=0.9v99+0.1θ100
v 99 = 0.9 v 98 + 0.1 θ 99 v_{99} = 0.9v_{98} + 0.1\theta_{99} v99=0.9v98+0.1θ99
v 98 = 0.9 v 97 + 0.1 θ 98 v_{98} = 0.9v_{97} + 0.1\theta_{98} v98=0.9v97+0.1θ98
展开一下,得到:
v 100 = 0.1 θ 100 + 0.1 × 0.9 × θ 99 + 0.1 × 0. 9 2 × θ 98 + . . . . . . v_{100} = 0.1 \theta_{100} + 0.1 \times 0.9 \times \theta_{99} + 0.1 \times 0.9^2 \times \theta_{98} + ...... v100=0.1θ100+0.1×0.9×θ99+0.1×0.92×θ98+......
看到没有,每一项都会乘以0.9,这样就是指数加权的意思了,那么为什么表示的是10天内的平均值呢?明明是10天以前的数据都有加进去的才对,其实是因为 0. 9 10 ≈ 0.35 ≈ 1 e 0.9^{10} \approx 0.35 \approx \frac{1}{e} 0.910≈0.35≈e1,也就是10天以前的权重只占了三分之一左右,已经很小了,所以我们就可以认为这个权重就是10天内的温度平均,其实有详细的数学证明的,这里就不要证明了,反正理解了 ( 1 − ϵ ) 1 ϵ ≈ 1 e (1-\epsilon)^{\frac{1}{\epsilon}} \approx \frac{1}{e} (1−ϵ)ϵ1≈e1, ϵ \epsilon ϵ为0.02的时候,就代表了50天内的数据。
因为指数加权平均不需要知道前面n个数据,只要一步一步进行迭代,知道当前的数据就行,所以非常节省空间。
如果你细心一点,你就会发现其实这个公式有问题,
V 0 = 0 V_0 = 0 V0=0
V 1 = β ∗ V 0 + ( 1 − β ) θ 1 V_1 = \beta * V_0 + (1 - \beta) \theta_1 V1=β∗V0+(1−β)θ1
… … …… ……
V t = β ∗ V t − 1 + ( 1 − β ) θ t V_t = \beta * V_{t-1} + (1 - \beta) \theta_t Vt=β∗Vt−1+(1−β)θt
如果第一天的温度是40摄氏度,那么 V 1 = 0.1 ∗ 40 = 4 V_1 = 0.1 * 40 = 4 V1=0.1∗40=4,显然是不合理的。因为初始值 V 0 = 0 V_0 = 0 V0=0,也就是前面几天的数据都会普遍偏低。所以特别是在估测初期,需要进行一些修正,这个时候就不要用 v t v_t vt了,而是用 v t 1 − β t \frac{v_t}{1-\beta^t} 1−βtvt来代表第t天的温度平均,你会发现随着t的增加, β t \beta^t βt接近于0,所以偏差修正几乎就没有用了,而t比较小的时候,就非常有效果。
不过在大部分机器学习中,一般也不需要修正,因为只是前面的初始时期比较有偏差而已,到后面就基本不会有偏差了,所以也不太用。
用动量梯度下降法运行速度总是比标准的梯度下降法要来的快。它的基本思想是计算梯度的指数加权平均数,然后用该梯度来更新权重。
效果如图:
使用动量梯度下降法后,在竖直方向上的抖动减少了,而在水平方向上的运动反而加速了。
算法公式:
可以发现,就是根据指数平均计算出了 v d W v_{dW} vdW,然后更新参数时把 d W dW dW换成了 v d w v_{dw} vdw, β \beta β一般的取值是0.9。可以发现,在纵向的波动经过平均以后,变得非常小了,而因为在横向上,每一次的微分分量都是指向低点,所以平均后的值一直朝着低点前进。
物理意义:
均方根传播。这是另一种梯度下降的优化算法。
顾名思义,先平方再开根号。
其实和动量梯度下降法公式差不多:
在更新参数的分母项加了一项 ϵ = 1 0 − 8 \epsilon = 10^{-8} ϵ=10−8,来确保算法不会除以0
Adam算法其实就是结合了Momentum和RMSprop ,注意这个时候要加上偏差修正:
超参数有 α , β 1 , β 2 , ϵ \alpha,\beta_1,\beta_2,\epsilon α,β1,β2,ϵ,一般 β 1 = 0.9 , β 2 = 0.999 , ϵ = 1 0 − 8 \beta_1 = 0.9,\beta_2 = 0.999,\epsilon = 10^{-8} β1=0.9,β2=0.999,ϵ=10−8
在梯度下降时,如果是固定的学习率 α \alpha α,在到达最小值附近的时候,可能不会精确收敛,会很抖动,因此很难达到最小值,所以可以考虑学习率衰减,在迭代过程中,逐渐减小 α \alpha α,这样一开始比较快,后来慢慢的变慢。
常用的是:
KaTeX parse error: Expected '}', got '_' at position 40: …e * \text{epoch_̲num}} a_{0}
KaTeX parse error: Expected '}', got '_' at position 30: …qrt{\text{epoch_̲num}}}a_{0}
a = k t a 0 a =\frac{k}{\sqrt{t}}a_{0} a=tka0
转载地址:http://terii.baihongyu.com/