梯度下降法的三种形式BGD、SGD以及MBGD

简介: 有上述的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?即,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。

  在应用机器学习算法时,我们通常采用梯度下降法来对采用的算法进行训练。其实,常用的梯度下降法还具体包含有三种不同的形式,它们也各自有着不同的优缺点。


  下面我们以线性回归算法来对三种梯度下降法进行比较。


  一般线性回归函数的假设函数为:


image.png

  对应的能量函数(损失函数)形式为:


image.png

  下图为一个二维参数(θθ)组对应能量函数的可视化图:


640.png


1. 批量梯度下降法BGD


  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,其数学形式如下:


  (1) 对上述的能量函数求偏导:


image.png


  (2) 由于是最小化风险函数,所以按照每个参数θ的梯度负方向来更新每个θ


image.png

  具体的伪代码形式为:

 

image.png  

   

  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,如果样本数目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。


  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。

  从迭代的次数上来看,BGD迭代的次数相对较少。其迭代的收敛曲线示意图可以表示如下:


640.png


2. 随机梯度下降法SGD


  由于批量梯度下降法在更新每一个参数时,都需要所有的训练样本,所以训练过程会随着样本数量的加大而变得异常的缓慢。随机梯度下降法(Stochastic Gradient Descent,简称SGD)正是为了解决批量梯度下降法这一弊端而提出的。


  将上面的能量函数写为如下形式:


640.png


  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


640.png

 

 具体的伪代码形式为:


1. Randomly shuffle dataset;

2. repeat{

for i=1, ... ,m{

640.png

(for j=0, ... ,n)

}

}


  随机梯度下降是通过每个样本来迭代更新一次,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。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。


  优点:训练速度快;

  缺点:准确度下降,并不是全局最优;不易于并行实现。

  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。其迭代的收敛曲线示意图可以表示如下:

640.png


3. 小批量梯度下降法MBGD


  有上述的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?即,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。


  MBGD在每次更新参数时使用b个样本(b一般为10),其具体的伪代码形式为:

Say b=10, m=1000.

Repeat{

for i=1, 11, 21, 31, ... , 991{

640.png

(for every j=0, ... ,n)

}

}


4. 总结


  Batch gradient descent: Use all examples in each iteration;

  Stochastic gradient descent: Use 1 example in each iteration;

  Mini-batch gradient descent: Use b examples in each iteration.

相关文章
|
算法 架构师 Java
【计算机专业】岗位方向细分与发展提升建议
【计算机专业】岗位方向细分与发展提升建议
|
搜索推荐 UED SEO
SEO优化:在搜索引擎排名中脱颖而出的关键策略
在数字时代,网站的成功与否在很大程度上取决于其在搜索引擎结果中的排名。搜索引擎优化(SEO)是提高网站在搜索引擎中排名的关键策略。本博客将深入探讨SEO的概念、重要性以及一些有效的SEO优化策略。
226 0
|
2月前
|
存储 数据采集 自然语言处理
Python爬取公众号文章并实现关键词分析
Python爬取公众号文章并实现关键词分析
|
11月前
|
Cloud Native Java Shell
开发者如何使用云原生多模数据库 Lindorm
【10月更文挑战第3天】开发者如何使用云原生多模数据库 Lindorm
533 4
|
Python 数据挖掘 数据可视化
Python数据分析——Pandas与Jupyter Notebook
【6月更文挑战第1天】 本文探讨了如何使用Python的Pandas库和Jupyter Notebook进行数据分析。首先,介绍了安装和设置步骤,然后展示了如何使用Pandas的DataFrame进行数据加载、清洗和基本分析。接着,通过Jupyter Notebook的交互式环境,演示了数据分析和可视化,包括直方图的创建。文章还涉及数据清洗,如处理缺失值,并展示了如何进行高级数据分析,如数据分组和聚合。此外,还提供了将分析结果导出到文件的方法。通过销售数据的完整案例,详细说明了从加载数据到可视化和结果导出的全过程。最后,讨论了进一步的分析和可视化技巧,如销售额趋势、产品销售排名和区域分布,以及
|
11月前
|
存储 NoSQL MongoDB
MongoDB 概念解析
10月更文挑战第12天
230 0
MongoDB 概念解析
|
10月前
|
机器学习/深度学习 自然语言处理 PyTorch
从零开始构建nlp情感分析模型!
本教程介绍了如何使用PyTorch和Hugging Face的Transformers库构建一个情感分析模型。主要内容包括导入所需库、读取训练数据集、加载预训练的BERT模型和分词器、定义情感数据集类、划分训练集和验证集、创建数据加载器、设置训练参数、训练模型、评估模型性能以及定义和测试预测函数。通过这些步骤,可以实现一个简单而有效的情感分析模型。
867 2
|
监控 安全 网络安全
边界防护
【8月更文挑战第18天】
565 2
|
机器学习/深度学习 人工智能 安全
回望现阶段人工智能招聘岗位和条件
【7月更文挑战第4天】AI公司招聘涉及多个机器学习角色:所有职位都强调尖端ML技术和对用户体验的改进。
568 4
回望现阶段人工智能招聘岗位和条件
|
网络架构
网络割接,用VRRP替换HSRP,你得这么割才行!
网络割接,用VRRP替换HSRP,你得这么割才行!
178 0