理解梯度下降（二）（理论篇）｜机器学习你会遇到的“坑”
数学准备
- Hadamard product：矩阵的各个元素对应相乘
一个好的优化算法，一方面要快，即迭代更新的次数越少越好，另一方面计算的代价要小，即利用的信息越少越好。现在我们已经知道这两者是无法兼得的，梯度下降只需要计算梯度，但在每一步下降只局限于大小为
的局部方向，迭代更新的次数较多，而牛顿法这样的二阶优化，利用了Hessian矩阵的信息，预设了梯度为零，使得一般情况下的迭代更新次数更少，但是每次迭代时需要计算样本的Hessian的逆。
如果我们想在牛顿法的基础上进一步的减小信息量，就可以考虑BFGS（Broyden-Fletcher-Goldfalb-Shanno）这种著名的拟牛顿法,它并没有直接计算Hessian的逆，而是采取向量的乘积和矩阵的加法来代替了Hessian，使得计算量进一步下降。但即便这样我们在深度学习中仍然很少采用它，主要的因素还是模型参数和数据的庞大，空间复杂度太大，内存消耗严重。
所以，梯度下降似乎是看起来更好的选择， 但仍有提升空间。首先，我们在计算梯度时，用了所有的样本，因为这样的梯度估计才更准确，但是很多样本太相似了，比如其他条件均一样，一个身高为172、体重63kg，另一个身高172.5、体重63.4，这样的样本对Loss function的贡献是相似的，产生的梯度估计也是相似的，我们完全可以采用少且有效的信息去替代冗余的信息；其次，在实践中，小批量的梯度下降即便增加了迭代次数，但计算的代价少了，总体的效率仍然很高；最后，随机的挑选小批量的样本一定程度上增加了梯度估计的方差（噪声项），反而使得梯度下降有机会跳出局部最小值，在保证与全样本梯度下降结果差不多的前提下，有表现更为优异的可能性。
这样的方法我们叫做随机梯度下降（Stochastic Gradient Descent），有的人会按照每次梯度更新使用的样本量，进一步的分为小批量，在线等等，这样的分类是不必要的，现在通常说随机，一般就指小批量梯度下降。因为使用单个样本更新梯度，梯度估计效果会很差，同时无法有效利用多线程操作，我们在此不予讨论。
随机梯度下降参数更新公式就由原来的：
变为了：
当使用随机梯度下降时，原本梯度为零的点一般不会为零，但也会变得很小，所以我们会看到随机梯度下降并不会停留在极小值（如果存在极小值的话），而是在其附近微小震荡。另外实验表明，随机梯度下降会在迭代初期性能远远超越全部样本的梯度下降。
那么梯度下降能不能更快呢？因为我们可以设想，如果参数的初始值越靠近目标点，那么优化过程肯定越快，每一步的梯度都积累在同一个方向上，那么还可以减少很多无谓的迭代，毕竟梯度下降本质上是贪心的。
如图，a和b的参数初始值并不一样，结果a的梯度下降比b的更快，虽然b的每一步的梯度下降都是此时此刻的最佳的方向，但在整体看来，b把步骤浪费在了等高线附近的来回移动。
但是，一般而言，我们并不知道Loss function的性质，我们无法确定出完美的初始值（实际中，一般都是假设一个正态分布，或者随机初始化），换而言之，我们要想方设法将处理更为普遍的情况，尽可能减少在contour附近的来回移动。
动量算法可以缓解这个问题，它引入了一个量叫做速度，用来积累以前的梯度信息：
这种做法是出于物理上的考虑，Loss function的负梯度就是物理上的势的负梯度，我们把它叫做力,根据矢量加法，或者做正交分解，就可以直观的看出，累加的结果就是把每一次力的相同方向加大，而相反的方向相互抵消，使得速度在每次力的相同方向都越来越大，本质上就是对梯度的方向做了归一化，然后我们选择利用速度去更新参数：
让我们来考虑极端的情况，如果每次的梯度的方向一致，那么v就会沿着一个方向越来越大，参数a用来调节过去积累梯度与现在梯度的比重，a越大，那么过去的信息占得比重越大。同时我们也可以在梯度计算之前就在参数中添加速度项：
就得到了Nesterov动量算法，简单来看，并没有异样，只是添加的步骤不同，而且在循环中，标准的动量算法迟早都会执行参数更新后的梯度。实际上，如果我们做一个简单的矢量加法：
如图，左图为普通的动量算法，遵循着矢量加法，其中梯度步骤gradient step并未利用当前的速度，而在Nesterov却在梯度步骤就利用了速度信息，最终使实际的步骤发生了偏移。
动量算法一定程度上加速了梯度下降，但是却引入了另一个超参数a，更重要的是，实践发现，同样作为超参数，a远远没有学习率
重要，我们希望不引入额外参数的情况下加速优化，就不得不考虑学习率。我们希望达到的效果是，学习率在梯度很大的时候，变得小一些，不至于错过极小值，在梯度很小的时候变得大一点，使得在Loss 平坦的地方走的更快。这就是所谓的自适应学习率算法。
梯度越大学习率要越小，一个自然的想法就是用一个量来累计所有的梯度：
然后在学习率上乘以梯度的倒数，其中
是非常小的常数，避免分母为零：
此算法就叫做AdaGrad，简单实现了梯度越大的地方，学习率越小的目标。但它积累了全部的梯度，使得学习率过早的下降，所以我们还可以给不同时期的梯度赋予权重因子，使得较早的梯度不重要，而较近的梯度更重要：
这样就得到了RMSProp算法，在此基础上，我们希望在梯度项中也加入一些修正，使得当前所使用的梯度还会受到历史梯度的影响，与动量算法类似：
最后更新公式也变为：
这就得到了Adam算法的基本形式，里面包含着两个超参数，这也是深度学习中最被经常使用的算法。
读芯君开扒
课堂TIPS
• 随着数据的增多，有些情况下我们也不得不用单样本的随机梯度下降，因为照目前的发展来看，数据规模的增长速度已经超越了计算能力的增速，此外，对训练集进行分批训练也变得越来常见。
• 动量算法本质上也在将学习率调节为
，a越大，速度也就越快，但动量算法有一个明显的缺点，那就是当速度太快时，无法在极小值附近停下来，这也是制约其发展的因素之一，一般的都是动量算法与其他的自适应算法相结合，可以发挥出最大的效果。
• Adam算法也被人认为是对一阶矩和二阶矩的偏差修正，但对于初学者来说，更好的理解方式是RMSprop+动量算法，需要注意的是，初期的积累梯度和积累动量趋于零，一般的，我们会对其先进行修正，比如：
。
作者：唐僧不用海飞丝
如需转载，请后台留言，遵守转载规范