理论部分

对于最基本的线性回归问题，公式如下：

X是自变量，也就是我们实际场景中的特征变量，比如我项目中每个时刻芯片的电压，温度，串口状态、串口数据、电流值、功耗、电流波形等等参数；
θ是权重参数，也就是我们需要去梯度下降求解的具体值，(我们拿一堆的数据来拟合出最佳的θ[误])用数据拟合h(x)，通过最佳的θ，得到最佳拟合曲线hθ（x），然后在预测的时候就只要直接用这个公式就好了。
梯度下降时，你如何评估你最新的参数是向着正确的方向进行修正的呢？我们引入损失函数，直观上理解就是我更新一组参数后，你效果必须是越来越好的，误差也是越来越少的。

注意：是最小二乘误差的和哟，也就是m个样本每个都要计算一次样本（在当前的θ参数下）；前面的1/2是为了求偏导时消除系数的。

ps. 为什么用最小二乘作为误差函数呢？ 答案在这！知乎上解释的很透彻了。
简单来说就是前提假设是高斯分布，因此化简（见上述链接）后就是最小二乘，而高斯分布是大自然里很自然的一个属性，遵天道。

这是直观化的梯度下降图示：

图片来源百度

梯度下降更新权重参数的过程中我们需要对损失函数求偏导数：

梯度下降标准数学推导

求完偏导数以后就可以进行参数更新了：

上面公式中的alpha就是下面图中的步长lamda：
学习率参数

总结：理论上是先求得误差函数，然后误差函数对参数θ求偏导，求得后再更新参数就好了

---

实践部分

深度学习的核心理念：输入，然后设定期望的输出，找到二者的相关性。

---

最小二乘：

我们先猜测函数的位置，然后平方其误差，重新做出猜测，以减少平方误差的和。这是线性回归的种子。

#最小二乘法least squares
################################################################################
#在当前给定的参数a,b下计算所有误差值的平方和并取均值
# ################################################################################
def compute_error_for_line_given_points(b,a,datas):
    totalError = 0
    for i in range(0,len(datas)):
        x = datas[i][0]
        y = datas[i][1]
        totalError += (y-(a*x+b))**2
    return totalError/float(len(datas))

print compute_error_for_line_given_points(1,2,[[3,6],[6,9],[12,18]])

总结：这里讲了如何求误差函数，当然这里求的是最简单的一元变量。在一个给定参数情况下计算整体的平均误差值。

---

梯度下降：

比如下面这个函数，我们知道在极小值左边导数是小于0的，右边是大于0 的，同时越靠近极值点导数绝对值越小（可理解为梯度很小）。

• 那么我们可以这样思考：首先我随机选择一个x点，然后计算其导致，假如小于0我就往右挪动一点，大于0我就往左移动一点，最终总会挪动到极值点处的；
• 这其中需要思考的是：移动步长多少为好呢？太大了不收敛，太小了时间花销大；既然无法确定，那么我们就定一个超参数嘛，让这个值（就是上面参数更新公式中的alpha，也就是下面代码中的学习率）手动来调，多调几次就知道了嘛（目前阶段这样做无可厚非嘛）~

current_x += -learning_rate*slope_at_given_x_value(previous_x)

################################################################################
#http://mp.weixin.qq.com/s/8as8ai5W0RlLOhHT6sswjA
#梯度下降
################################################################################
current_x = 0.5 #启动点
learning_rate = 0.01#学习率
num_iterations = 10 #迭代次数
#这个是斜率
def slope_at_given_x_value(x):
    return 5*x**4 - 6*x**2
#整体表达的是一个移动的概念，往“城市”中心移动（基于斜率）。
#也就是我选定一个初始点，然后看这一点的斜率值，在极小值点左边是斜率小于零，右边是斜率大于零，
#因此我们随机选择一个点后，把当前点加上一个趋势，在极值点左边就加，右边就减去，这样不断迭代就好了。
for i in range(num_iterations):
    previous_x = current_x
    current_x += -learning_rate*slope_at_given_x_value(previous_x)
    print(previous_x)
print "the local minimum occurs at %f" % current_x

这里可以把x看作是梯度下降里面的参数，假设只有一个参数时的情况，属一元变量。

总结：可以将上述的slope_at_given_x_value(x)函数看作误差函数，然后这里讲了如何求导误差函数的极小值，当然也是在一元变量的情况下做的。

---

线性回归：

通过组合最小二乘法和梯度下降法，就可以得到线性回归。

################################################################################
#最小二乘法 + 梯度下降 == 线性回归
################################################################################
#price of wheat/Kg and the average price of bread
wheat_and_bread = [[0.5,5],[0.6,5.5],[0.8,6],[1.1,6.8],[1.4,7]]

def step_gradient(b_current,a_current,datas,learningRate):
    b_gradient = 0
    a_gradient = 0
    N = float(len(datas))
    #这里是把所有的数据集的误差值求出来，然后
    for i in range(0,len(datas)):
        x = datas[i][0]
        y = datas[i][1]
        b_gradient += -(2/N) * (y - ((a_current*x + b_current)))
        a_gradient += -(2/N) * x * (y - ((a_current*x + b_current)))
    
    new_b = b_current - (learningRate * b_gradient)
    new_a = a_current - (learningRate * a_gradient)
    return [new_b,new_a]

def gradient_descent_runner(datas,starting_b,starting_a,learning_rate,num_iterations):
    b = starting_b
    a = starting_a
    for i in range(num_iterations):
        b,a = step_gradient(b,a,datas,learning_rate)
    return [b,a]
print gradient_descent_runner(wheat_and_bread,1,1,0.01,100)

因为是一元变量的线性拟合，所以拟合函数是y=ax+b，需要求的参数是a,b；

自变量（特征）=｛x｝;只有x一个。
参数θ=｛a,b｝;两个参数需求解。

因此我的梯度下降是这样做的：首先把a,b参数初始化为0，然后由于已知拟合函数形式了，因此直接代入偏导函数求参数：

梯度下降标准数学推导
对应代码为：
b_gradient += -(2/N) * (y - ((a_current*x + b_current)))
上面的2是因为我们定义误差函数的时候是没有加1/2的，因此这里求偏导后有个2（2次方），同时求得是整体的平均误差，因此每个误差前面乘以个1/N。
a_gradient += -(2/N) * x * (y - ((a_current*x + b_current)))
分析同上，但是这里多乘了个x，为啥？因为梯度公式本来就是这样的啊！那个b_gradient因为是常数项，即x的0次方（特征1）所以直接是1了，省略；而这个是x的1次方（特征2），因此直接按公式将这个特征乘以就好了。

总结：对比之前的那个一元变量的导数（斜率）可知，这里的偏导思路跟那是一样的啊，目标就是更新参数，而参数的更新就是偏导嘛（导数咯），偏导就是上面一元函数里面的斜率嘛，这么对照着直接理解的话就可以知道过程是一样的，都是围绕某一个参数变量求导数（当然数据量多的时候求导数的平均值），然后不断修改之就好啦~

---

三种梯度下降方法

【资料引用来源】
一般线性回归函数的假设函数为（x是一些特诊变量）：

对应的损失函数为（这里的1/2是为了后面求梯度计算方便）：

---

批量梯度下降法（BGD）

我们的目的是要误差函数尽可能的小，即求解weights使误差函数尽可能小。
首先，我们随机初始化weigths，然后不断反复的更新weights使得误差函数减小，直到满足要求时停止。
这里更新算法我们选择梯度下降算法，利用初始化的weights并且反复更新weights：

这里代表学习率，表示每次向着J最陡峭的方向迈步的大小。为了更新weights，我们需要求出函数J的偏导数。首先当我们只有一个数据点（x,y）的时候，J的偏导数是：
则对所有数据点，上述损失函数的偏导（累和）为：

再最小化损失函数的过程中，需要不断反复的更新weights使得误差函数减小，更新过程如下：

那么好了，每次参数更新的伪代码如下：

由上图更新公式我们就可以看到，我们每一次的参数更新都用到了所有的训练数据（比如有m个，就用到了m个），如果训练数据非常多的话，是非常耗时的。
下面给出批梯度下降的收敛图：

---

随机梯度下降法(SGD)

由于批梯度下降每跟新一个参数的时候，要用到所有的样本数，所以训练速度会随着样本数量的增加而变得非常缓慢。随机梯度下降正是为了解决这个办法而提出的。它是利用每个样本的损失函数对θ求偏导得到对应的梯度，来更新θ：

更新过程如下：

随机梯度下降是通过每个样本来迭代更新一次，对比上面的批量梯度下降，迭代一次需要用到所有训练样本（往往如今真实问题训练数据都是非常巨大），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。
但是，SGD伴随的一个问题是噪音较BGD要多，使得SGD并不是每次迭代都向着整体最优化方向。
随机梯度下降收敛图如下：

我们可以从图中看出SGD迭代的次数较多，在解空间的搜索过程看起来很盲目。但是大体上是往着最优值方向移动。

---

小批量梯度下降法(MBGD)

我们从上面两种梯度下降法可以看出，其各自均有优缺点，那么能不能在两种方法的性能之间取得一个折衷呢？既算法的训练过程比较快，而且也要保证最终参数训练的准确率，而这正是小批量梯度下降法（Mini-batch Gradient Descent，简称MBGD）的初衷。
我们假设每次更新参数的时候用到的样本数为10个（不同的任务完全不同，这里举一个例子而已）
更新伪代码如下：

---

三种梯度下降方法的总结

1. 批梯度下降每次更新使用了所有的训练数据，最小化损失函数，如果只有一个极小值，那么批梯度下降是考虑了训练集所有数据，是朝着最小值迭代运动的，但是缺点是如果样本值很大的话，更新速度会很慢。

2. 随机梯度下降在每次更新的时候，只考虑了一个样本点，这样会大大加快训练数据，也恰好是批梯度下降的缺点，但是有可能由于训练数据的噪声点较多，那么每一次利用噪声点进行更新的过程中，就不一定是朝着极小值方向更新，但是由于更新多轮，整体方向还是大致朝着极小值方向更新，又提高了速度。

3. 小批量梯度下降法是为了解决批梯度下降法的训练速度慢，以及随机梯度下降法的准确性综合而来，但是这里注意，不同问题的batch是不一样的，根据实验结果来迭代调整。