随机梯度下降法&批量梯度下降法

作者: solar_4869 | 来源:发表于2018-03-20 18:25 被阅读0次

一、梯度

导数：反映的是函数y=f(x)在某一点处沿x轴正方向的变化率。
方向导数：某一点在某一趋近方向上的导数值。通俗的解释是：我们不仅要知道函数在坐标轴正方向上的变化率（即偏导数），而且还要设法求得函数在其他特定方向上的变化率。而方向导数就是函数在其他特定方向上的变化率。
梯度：函数在某一点的梯度是这样一个向量，它的方向与取得最大方向导数的方向一致，而它的模为方向导数的最大值。
这里注意三点：　
1）梯度是一个向量，即有方向有大小；　
2）梯度的方向是最大方向导数的方向；
3）梯度的值是最大方向导数的值。

二、梯度下降法

大多数机器学习或者深度学习算法都涉及某种形式的优化。优化指的是改变 x以最小化或最大化某个函数 f(x)的任务。我们通常以最小化 f(x)指代大多数最优化问题。最大化可经由最小化算法最小化-f(x)来实现。

我们把要最小化或最大化的函数称为目标函数或准则。当对其进行最小化时，也把它称为代价函数、损失函数或误差函数。

，其中

然后要最小化J。

梯度下降：我们知道曲面上方向导数的最大值的方向就代表了梯度的方向，因此我们在做梯度下降的时候，应该是沿着梯度的反方向进行权重的更新，可以有效的找到全局的最优解。

假设随机站在曲线顶端沿着梯度最大的方向下降。

a表示的是步长或者说是学习率（learning rate）

在直观上，我们可以这样理解，一开始的时候我们随机站在一个点，把它看成一座山，每一步，我们都以下降最多的路线来下山，那么，在这个过程中我们到达山底（最优点）是最快的，而上面的a决定了我们“向下山走”时每一步的大小，过小的话收敛太慢，过大的话可能错过最小值.）。每一步总是寻找使J下降最“陡”的方向（就像找最快下山的路一样）。

具体化到一元函数中时，梯度方向首先是沿着曲线的切线的，然后取切线向上增长的方向为梯度方向，二元或者多元函数中，梯度向量为函数值f对每个变量的导数，该向量的方向就是梯度的方向，向量的大小也就是梯度的大小。现在假设我们要求函数的最值，采用梯度下降法，结合如图所示：

如图所示，我们假设函数是

,那么如何使得这个函数达到最小值呢，简单的理解，就是对x求导，得到

然后用梯度下降的方式，如果初始值是（0的左边）负值,那么这是导数也是负值，用梯度下降的公式，使得x更加的靠近0,如果是正值的时候同理。

三、随机梯度下降算法和批量梯度下降算法概念

随机梯度下降---最小化每条样本的损失函数，虽然不是每次迭代得到的损失函数都向着全局最优方向，但是大的整体的方向是向全局最优解的，最终的结果往往是在全局最优解附近。
批量梯度下降---最小化所有训练样本的损失函数，使得最终求解的是全局的最优解，即求解的参数是使得风险函数最小。

四、求解思路

1、批量梯度下降的求解思路如下：

(1)将J(theta)对theta求偏导，得到每个theta对应的的梯度

(2) 由于是要最小化风险函数，所以按每个参数theta的梯度负方向，来更新每个theta

(3) 从上面公式可以注意到，它得到的是一个全局最优解，但是每迭代一步，都要用到训练集所有的数据，如果m很大，那么可想而知这种方法的迭代速度！！所以，这就引入了另外一种方法，随机梯度下降。

2、随机梯度下降的求解思路如下：

（1）上面的风险函数可以写成如下这种形式，损失函数对应的是训练集中每个样本的粒度，而上面批量梯度下降对应的是所有的训练样本：

（2）每个样本的损失函数，对theta求偏导得到对应梯度，来更新theta

五、两者比较

批量梯度下降法（Batch Gradient Descent，简称BGD）是梯度下降法最原始的形式，它的具体思路是在更新每一参数时都使用所有的样本来进行更新，也就是方程（1）中的m表示样本的所有个数。

优点：全局最优解；易于并行实现；

缺点：当样本数目很多时，训练过程会很慢。

随机梯度下降法：它的具体思路是在更新每一参数时都使用一个样本来进行更新，每一次更新参数都用一个样本，更新很多次。如果样本量很大的情况（例如几十万），那么可能只用其中几万条或者几千条的样本，就已经将theta迭代到最优解了，对比上面的批量梯度下降，迭代一次需要用到十几万训练样本，一次迭代不可能最优，如果迭代10次的话就需要遍历训练样本10次，这种更新方式计算复杂度太高。

优点：训练速度快；

缺点：

1．准确度下降，并不是全局最优；不易于并行实现。

2．从迭代的次数上来看，SGD迭代的次数较多，在解空间的搜索过程看起来很盲目。

3．噪音较BGD要多，使得SGD并不是每次迭代都向着整体最优化方向。

总结： SGD随机梯度下降算法：迭代算法，对于每一次更新参数，不必遍历所有的训练集合，仅仅使用了一个数据，来变换一个参数。这样做不如完全梯度下降的精确度高，可能会走很多弯路，但整体趋势是走向误差最小化。SGD解决了梯度下降的两个问题：收敛速度慢和陷入局部最优。这样做可以节省更多的时间。
用通俗语言解释：比如你先随便选一个方向，比如朝南方走一段，当然要选的这段路不一定是下降最快的，但是确实会下降的。然后在随便选一个，比如东北方，再走一段。然后过了一段时间你就发现自己差不多也到谷底了。虽然不一定是真真正正的谷底，也许是个局部极值。但是这样选方向比计算梯度肯定快。

参考文章：
http://blog.csdn.net/walilk/article/details/50978864

https://www.zhihu.com/question/28728418/answer/228963617

https://www.zhihu.com/question/264189719/answer/291167114

https://www.jianshu.com/p/25148f6971a8

http://blog.csdn.net/heyongluoyao8/article/details/52478715