在本节中，我们将介绍梯度下降（gradient descent）的工作原理。虽然梯度下降在深度学习中很少被直接使用，但理解梯度的意义以及沿着梯度反方向更新自变量可能降低目标函数值的原因是学习后续优化算法的基础。随后，我们将引出随机梯度下降（stochastic gradient descent）。
我们先以简单的一维梯度下降为例，解释梯度下降算法可能降低目标函数值的原因。假设连续可导的函数的输入和输出都是标量。给定绝对值足够小的数，根据泰勒展开公式，我们得到以下的近似：
这里是函数在处的梯度。一维函数的梯度是一个标量，也称导数。
接下来，找到一个常数，使得足够小，那么可以将替换为并得到
如果导数，那么，所以
这意味着，如果通过
来迭代，函数的值可能会降低。因此在梯度下降中，我们先选取一个初始值和常数，然后不断通过上式来迭代，直到达到停止条件，例如的值已足够小或迭代次数已达到某个值。
下面我们以目标函数为例来看一看梯度下降是如何工作的。虽然我们知道最小化的解为，这里依然使用这个简单函数来观察是如何被迭代的。首先，导入本节实验所需的包或模块。
我要评论%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import torch
import math
import sys
sys.path.append("..")
接下来使用作为初始值，并设。使用梯度下降对迭代10次，可见最终的值较接近最优解。
def gd(eta):
x = 10
results = [x]
for i in range(10):
x -= eta * 2 * x # f(x) = x * x的导数为f'(x) = 2 * x
results.append(x)
print('epoch 10, x:', x)
return results
res = gd(0.2)
输出：
epoch 10, x: 0.06046617599999997
下面将绘制出自变量的迭代轨迹。
def show_trace(res):
n = max(abs(min(res)), abs(max(res)), 10)
f_line = np.arange(-n, n, 0.1)
plt.rcParams['figure.figsize'] = (4.5, 2.5)
plt.plot(f_line, [x * x for x in f_line])
plt.plot(res, [x * x for x in res], '-o')
plt.xlabel('x')
plt.ylabel('f(x)')
show_trace(res)
上述梯度下降算法中的正数通常叫作学习率。这是一个超参数，需要人工设定。如果使用过小的学习率，会导致更新缓慢从而需要更多的迭代才能得到较好的解。
下面展示使用学习率时自变量的迭代轨迹。可见，同样迭代10次后，当学习率过小时，最终的值依然与最优解存在较大偏差。
show_trace(gd(0.05))
输出：
epoch 10, x: 3.4867844009999995
如果使用过大的学习率，可能会过大从而使前面提到的一阶泰勒展开公式不再成立：这时我们无法保证迭代会降低的值。
举个例子，当设学习率时，可以看到不断越过（overshoot）最优解并逐渐发散。
show_trace(gd(1.1))
输出：
epoch 10, x: 61.917364224000096
在了解了一维梯度下降之后，我们再考虑一种更广义的情况：目标函数的输入为向量，输出为标量。假设目标函数的输入是一个维向量。目标函数有关的梯度是一个由个偏导数组成的向量：
为表示简洁，我们用代替。梯度中每个偏导数元素代表着在有关输入的变化率。为了测量沿着单位向量（即）方向上的变化率，在多元微积分中，我们定义在上沿着方向的方向导数为
依据方向导数性质，以上方向导数可以改写为
方向导数给出了在上沿着所有可能方向的变化率。为了最小化，我们希望找到能被降低最快的方向。因此，我们可以通过单位向量来最小化方向导数。
由于，
其中为梯度和单位向量之间的夹角，当时，取得最小值。因此，当在梯度方向的相反方向时，方向导数被最小化。因此，我们可能通过梯度下降算法来不断降低目标函数的值：
同样，其中（取正数）称作学习率。
下面我们构造一个输入为二维向量和输出为标量的目标函数。那么，梯度。我们将观察梯度下降从初始位置开始对自变量的迭代轨迹。我们先定义两个辅助函数，第一个函数使用给定的自变量更新函数，从初始位置开始迭代自变量共20次，第二个函数对自变量的迭代轨迹进行可视化。
def train_2d(trainer): # 本函数将保存在d2lzh_pytorch包中方便以后使用
x1, x2, s1, s2 = -5, -2, 0, 0 # s1和s2是自变量状态，本章后续几节会使用
results = [(x1, x2)]
for i in range(20):
x1, x2, s1, s2 = trainer(x1, x2, s1, s2)
results.append((x1, x2))
print('epoch %d, x1 %f, x2 %f' % (i + 1, x1, x2))
return results
def show_trace_2d(f, results): # 本函数将保存在d2lzh_pytorch包中方便以后使用
plt.plot(*zip(*results), '-o', color='#ff7f0e')
x1, x2 = np.meshgrid(np.arange(-5.5, 1.0, 0.1), np.arange(-3.0, 1.0, 0.1))
plt.contour(x1, x2, f(x1, x2), colors='#1f77b4')
plt.xlabel('x1')
plt.ylabel('x2')
然后，观察学习率为时自变量的迭代轨迹。使用梯度下降对自变量迭代20次后，可见最终的值较接近最优解。
eta = 0.1
def f_2d(x1, x2): # 目标函数
return x1 ** 2 + 2 * x2 ** 2
def gd_2d(x1, x2, s1, s2):
return (x1 - eta * 2 * x1, x2 - eta * 4 * x2, 0, 0)
show_trace_2d(f_2d, train_2d(gd_2d))
输出：
epoch 20, x1 -0.057646, x2 -0.000073
在深度学习里，目标函数通常是训练数据集中有关各个样本的损失函数的平均。设是有关索引为的训练数据样本的损失函数，是训练数据样本数，是模型的参数向量，那么目标函数定义为
目标函数在处的梯度计算为
如果使用梯度下降，每次自变量迭代的计算开销为，它随着线性增长。因此，当训练数据样本数很大时，梯度下降每次迭代的计算开销很高。
随机梯度下降（stochastic gradient descent，SGD）减少了每次迭代的计算开销。在随机梯度下降的每次迭代中，我们随机均匀采样的一个样本索引，并计算梯度来迭代：
这里同样是学习率。可以看到每次迭代的计算开销从梯度下降的降到了常数。值得强调的是，随机梯度是对梯度的无偏估计：
这意味着，平均来说，随机梯度是对梯度的一个良好的估计。
下面我们通过在梯度中添加均值为0的随机噪声来模拟随机梯度下降，以此来比较它与梯度下降的区别。
def sgd_2d(x1, x2, s1, s2):
return (x1 - eta * (2 * x1 + np.random.normal(0.1)),
x2 - eta * (4 * x2 + np.random.normal(0.1)), 0, 0)
show_trace_2d(f_2d, train_2d(sgd_2d))
输出：
epoch 20, x1 -0.047150, x2 -0.075628
可以看到，随机梯度下降中自变量的迭代轨迹相对于梯度下降中的来说更为曲折。这是由于实验所添加的噪声使模拟的随机梯度的准确度下降。在实际中，这些噪声通常指训练数据集中的无意义的干扰。
本文地址：https://blog.csdn.net/qq_43328040/article/details/107892818
如对本文有疑问， 点击进行留言回复！！
网友评论