最速下降法/梯度下降法公式推导与python实现

目录

最速下降法

1.1 最速下降法的导出

1.2 最速下降法的几个重要命题

1.3 迭代停止条件

1.4 最速下降算法步骤

各种梯度下降法

2.1 梯度下降法

2.2 梯度下降法与最速下降法的区别

2.3 随机梯度下降法（Stochastic gradient descent）

2.4 批量梯度下降法（BGD）

2.5 小批量梯度下降（Mini-Batch Gradient Descent）

1.最速下降法

1.1 最速下降法的导出

最速下降法以负梯度方向为极小化算法的方向，又称梯度法，人们经常把最速下降法和梯度下降法等同，事实上，它们是不同的，这个稍后再说。先看一下最速下降法的定义。

设函数f(x)在xk附近连续可微，gk=∇f(xk)≠0,在xk处对f进行泰勒展开有：f(x)=f(xk)+(x−xk)T∇f(xk)+o(||x−xk||)(1.1)若记x−xk=αdk,则满足dTkgk<0的方向dk是下降方向，也就是负梯度方向。当α取定之后，dTkgk的值越小，表示图中的坡越陡，函数下降得越快。



使用Cauchy-Schwartz不等式：|dTkgk|≤|dk||gk|解这个不等式，当且仅当dk=−gk时，dTkgk最小，从而称−gk时最速下降方向。

其中最速下降法的迭代格式为：xk+1=xk−αkgk

1.2 最速下降法的几个重要命题

步长应该如何选取？在做逻辑回归的时候，我们用梯度下降法来求解最优参数，当时的步长可以是人工随机取符合数据和当前情境下的步长，那在这里，步长该如何选取呢？Cauchy曾经建议使用精确线搜索( 一维线搜索)来确定步长：f(x−αk∇f(xk))=min{f(x−αf(x)):α>0}其中αk就是最优步长

利用最速下降法搜索函数f:R2→R的极小点，迭代过程中产生的迭代序列{x(k)}∞k=0,对于任意的k>0,都有xk+1−xk与xk+2−xk+1正交

利用最速下降法搜索函数f:R2→R的极小点，迭代过程中产生的迭代序列{x(k)}∞k=0,若梯度:∇f(x)≠0，则必有f(xk+1)<f(xk)

1.3 迭代停止条件

在实际中，采用数值计算的方法很难恰好得到梯度为0的结果，因此以梯度为0作为停止规则很不恰当。以下ϵ>0

(1) |f(xk+1)−f(xk)|<ϵ

(2) ||xk+1−xk||<ϵ

(3) |f(xk+1)−f(xk)||f(xk)|<ϵ

(4) ||xk+1−xk||||xk||<ϵ

(5) |f(xk+1)−f(xk)|max{1,|f(xk)|}<ϵ

(6) ||xk+1−xk||max{||xk||}<ϵ

上边的3,4式为1,2式的相对值，而5,6式是为了避免3,4式中的分母过小进行的修改。

1.4 最速下降算法步骤

A. 任取x0∈Rn,ϵ>0,令k:=0

B .计算梯度∇f(xk),如果||∇f(xk)||<ϵ(或满足其他停止条件)，则算法停止，计算步长αk,使得：f(x−αk∇f(xk))=min{f(x−αf(x)):α>0}

C. 计算下一个迭代点xk+1=xk−αk∇f(xk)，令k:=k+1

2.各种梯度下降法

2.1 梯度下降法

梯度下降法经常用于机器学习，深度学习领域，用来更新模型的参数，使得模型的预测误差越来越小。它的原理就是沿着负梯度方向下山：


其核心也是：xk+1=xk−a∇f(x)不断迭代更新，直到最低点。

看一下它的伪代码：

model = initialization(...)
n_epochs = ...
train_data = ...
for i in n_epochs:
train_data = shuffle(train_data)
X, y = split(train_data)
predictions = predict(X, train_data)
error = calculate_error(y, predictions)
model = update_model(model, error)

2.2 梯度下降法与最速下降法的区别

看完最速下降法，你可能觉得梯度下降法和最速下降法是一样的，但事实是，他们是有细微区别的。

梯度下降法同样认为梯度的反方向为下降最快的方向，所以沿着负梯度方向移动一定距离，目标函数也会减小，如果是凸函数，最终会达到全局最小值。同样，它的步长α也可以通过精准线搜索确定。

感觉它们都是移动单位步长，沿着下降最多的方向移动，但对于梯度下降法，如果是：△nsd=argminv(∇f(x)Tv∣∥v∥<=1),梯度下降法使用的是欧式范数||v||，也就是说，梯度下降法是最速下降法的一个特列，是最速下降法使用欧式范数的一种特例。更加详细的看这里：梯度下降法和最速下降法的细微差别

2.3 随机梯度下降法（Stochastic gradient descent）

随机梯度下降法是梯度下降法个一个变体，简称SGD，它对每个样本都会更新一次参数。正因如此，它会消耗更多的计算量，在大数据集上，训练得也会很慢。如果一连遇到比较多的噪声数据，频繁更新也会导致找不到正确的方向到达最低点。



如图所示，它的晃动会比较明显，但有可能只使用一部分样本，就能到底最低点了。

SGD 的另一个好处是, 可以使用在线学习 [online learning]. 也就是说, 在模型训练好之后, 只要有新的数据到来, 模型都可以利用新的数据进行再学习, 更新参数,以适应新的变化.

每个样本都会计算一次损失，更新公式如下：θ′j=θj+(yi−hθ(xi))xij

def sgd(alpha, x, y, numIterations):
m = x.shape[0]
theta = np.ones(2)

#随机序列化，选样本
idx = np.random.permutation(y.shape[0])
x,y = x[idx], y[idx]

for j in range(numIterations):
for i in idx:
single_hypothesis = np.dot(x[i],theta)
single_loss = y[i] - single_hypothesis
gradient = np.dot(x[i].transpose(), single_loss)
theta += alpha*gradient
return theta

2.4 批量梯度下降法（BGD）

BGD会对每个训练样本都计算误差，但是更新参数是等所有的样本误差都计算完之后才更新的。也就是说，等计算完所有的训练样本的损失之后，模型的参数才更新一次。

整个训练集遍历完才更新参数，意味着损失（误差），或者说下降的方向更加稳定，同时需要的计算量也会更小。但也会因为最后才更新参数，训练模型的时候，整个训练集都要存在内存上，在大数据集上，训练的速度也会很慢。



如图所示，虽然很慢，但迭代的方向基本都是正确的，不会发生非常大的偏移，迭代起来较稳定。

遍历整个训练集，所以需要累加：θ′j=θj+1m∑i=1m(yi−hθ(xi))xij

批量梯度下降的python代码

def bgd(alpha, x, y, numIterations):
m = x.shape[0]
theta = np.ones(2)

x_train = x.transpose()
for iteration in range(0, numIterations):
hypothesis = np.dot(x, theta)
loss = y - hypothesis

gradient = np.dot(x_train, loss)/m
theta +=alpha*gradient #所有数据完了之后，更新一次

return theta

2.4 小批量梯度下降（Mini-Batch Gradient Descent）

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？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。

它的主要想法就是取一小批量的样本，然后计算梯度的平均值，这样既能减小梯度的方差，更新参数的速度也不会那么慢。

在训练的时候，也不需要把所有的训练样本都读取到内存中。

而每一批取多少，就是一个超参数的选择了，这应该怎么选呢？

给两个建议：

1. 一般选择32左右。如果不行，可以在10到一百中选择，可以自己设一个跨度试一下。

2. 用不同的批次，看一下验证误差和训练时间的学习曲线。

小批量梯度下降python代码实现

def mbgd(alpha, x, y, numIterations,minibatches):
m = x.shape[0]
theta = np.ones(2)

for j in range(numIterations):
idx = np.random.permutation(y.shape[0])
x, y = x[idx], y[idx]
mini = np.array_split(range(y.shape[0]), minibatches)

for i in mini:
mb_hypothesis = np.dot(x[i],theta)
mb_loss = y[i] - mb_hypothesis
gradient = np.dot(x[i].transpose(), mb_loss)/minibatches
theta += alpha*gradient
return theta

参考

A Gentle Introduction to Mini-Batch Gradient Descent and How to Configure Batch Size

ML之梯度下降算法

详解梯度下降法的三种形式BGD、SGD以及MBGD

最优化学习笔记（四）——最速下降法

梯度下降法和最速下降法的细微差别

最优化理论与方法-袁亚湘

最优化选讲-董云达（郑州大学出版社）