经验首页 前端设计 程序设计 Java相关 移动开发 数据库/运维 软件/图像 大数据/云计算 其他经验
当前位置:技术经验 » 大数据/云/AI » 人工智能基础 » 查看文章
解锁机器学习-梯度下降:从技术到实战的全面指南
来源:cnblogs  作者:techlead_krischang  时间:2023/12/1 14:59:21  对本文有异议

本文全面深入地探讨了梯度下降及其变体——批量梯度下降、随机梯度下降和小批量梯度下降的原理和应用。通过数学表达式和基于PyTorch的代码示例,本文旨在为读者提供一种直观且实用的视角,以理解这些优化算法的工作原理和应用场景。

关注TechLead,分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验,同济本复旦硕,复旦机器人智能实验室成员,阿里云认证的资深架构师,项目管理专业人士,上亿营收AI产品研发负责人。

file

一、简介

梯度下降(Gradient Descent)是一种在机器学习和深度学习中广泛应用的优化算法。该算法的核心思想非常直观:找到一个函数的局部最小值(或最大值)通过不断地沿着该函数的梯度(gradient)方向更新参数。

什么是梯度下降?

简单地说,梯度下降是一个用于找到函数最小值的迭代算法。在机器学习中,这个“函数”通常是损失函数(Loss Function),该函数衡量模型预测与实际标签之间的误差。通过最小化这个损失函数,模型可以“学习”到从输入数据到输出标签之间的映射关系。

为什么梯度下降重要?

  1. 广泛应用:从简单的线性回归到复杂的深度神经网络,梯度下降都发挥着至关重要的作用。

  2. 解决不可解析问题:对于很多复杂的问题,我们往往无法找到解析解(analytical solution),而梯度下降提供了一种有效的数值方法。

  3. 扩展性:梯度下降算法可以很好地适应大规模数据集和高维参数空间。

  4. 灵活性与多样性:梯度下降有多种变体,如批量梯度下降(Batch Gradient Descent)、随机梯度下降(Stochastic Gradient Descent)和小批量梯度下降(Mini-batch Gradient Descent),各自有其优点和适用场景。


二、梯度下降的数学原理

file
在深入研究梯度下降的各种实现之前,了解其数学背景是非常有用的。这有助于更全面地理解算法的工作原理和如何选择合适的算法变体。

代价函数(Cost Function)

在机器学习中,代价函数(也称为损失函数,Loss Function)是一个用于衡量模型预测与实际标签(或目标)之间差异的函数。通常用 ( J(\theta) ) 来表示,其中 ( \theta ) 是模型的参数。

file

梯度(Gradient)

file

更新规则

file

代码示例:基础的梯度下降更新规则

  1. import numpy as np
  2. def gradient_descent_update(theta, grad, alpha):
  3. """
  4. Perform a single gradient descent update.
  5. Parameters:
  6. theta (ndarray): Current parameter values.
  7. grad (ndarray): Gradient of the cost function at current parameters.
  8. alpha (float): Learning rate.
  9. Returns:
  10. ndarray: Updated parameter values.
  11. """
  12. return theta - alpha * grad
  13. # Initialize parameters
  14. theta = np.array([1.0, 2.0])
  15. # Hypothetical gradient (for demonstration)
  16. grad = np.array([0.5, 1.0])
  17. # Learning rate
  18. alpha = 0.01
  19. # Perform a single update
  20. theta_new = gradient_descent_update(theta, grad, alpha)
  21. print("Updated theta:", theta_new)

输出:

  1. Updated theta: [0.995 1.99 ]

在接下来的部分,我们将探讨梯度下降的几种不同变体,包括批量梯度下降、随机梯度下降和小批量梯度下降,以及一些高级的优化技巧。通过这些内容,你将能更全面地理解梯度下降的应用和局限性。


三、批量梯度下降(Batch Gradient Descent)

file
批量梯度下降(Batch Gradient Descent)是梯度下降算法的一种基础形式。在这种方法中,我们使用整个数据集来计算梯度,并更新模型参数。

基础算法

批量梯度下降的基础算法可以概括为以下几个步骤:

file

代码示例

下面的Python代码使用PyTorch库演示了批量梯度下降的基础实现。

  1. import torch
  2. # Hypothetical data (features and labels)
  3. X = torch.tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 4.0]], requires_grad=True)
  4. y = torch.tensor([[1.0], [2.0], [3.0]])
  5. # Initialize parameters
  6. theta = torch.tensor([[0.0], [0.0]], requires_grad=True)
  7. # Learning rate
  8. alpha = 0.01
  9. # Number of iterations
  10. n_iter = 1000
  11. # Cost function: Mean Squared Error
  12. def cost_function(X, y, theta):
  13. m = len(y)
  14. predictions = X @ theta
  15. return (1 / (2 * m)) * torch.sum((predictions - y) ** 2)
  16. # Gradient Descent
  17. for i in range(n_iter):
  18. J = cost_function(X, y, theta)
  19. J.backward()
  20. with torch.no_grad():
  21. theta -= alpha * theta.grad
  22. theta.grad.zero_()
  23. print("Optimized theta:", theta)

输出:

  1. Optimized theta: tensor([[0.5780],
  2. [0.7721]], requires_grad=True)

批量梯度下降的主要优点是它的稳定性和准确性,但缺点是当数据集非常大时,计算整体梯度可能非常耗时。接下来的章节中,我们将探索一些用于解决这一问题的变体和优化方法。


四、随机梯度下降(Stochastic Gradient Descent)

file
随机梯度下降(Stochastic Gradient Descent,简称SGD)是梯度下降的一种变体,主要用于解决批量梯度下降在大数据集上的计算瓶颈问题。与批量梯度下降使用整个数据集计算梯度不同,SGD每次只使用一个随机选择的样本来进行梯度计算和参数更新。

基础算法

随机梯度下降的基本步骤如下:

file

代码示例

下面的Python代码使用PyTorch库演示了SGD的基础实现。

  1. import torch
  2. import random
  3. # Hypothetical data (features and labels)
  4. X = torch.tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 4.0]], requires_grad=True)
  5. y = torch.tensor([[1.0], [2.0], [3.0]])
  6. # Initialize parameters
  7. theta = torch.tensor([[0.0], [0.0]], requires_grad=True)
  8. # Learning rate
  9. alpha = 0.01
  10. # Number of iterations
  11. n_iter = 1000
  12. # Stochastic Gradient Descent
  13. for i in range(n_iter):
  14. # Randomly sample a data point
  15. idx = random.randint(0, len(y) - 1)
  16. x_i = X[idx]
  17. y_i = y[idx]
  18. # Compute cost for the sampled point
  19. J = (1 / 2) * torch.sum((x_i @ theta - y_i) ** 2)
  20. # Compute gradient
  21. J.backward()
  22. # Update parameters
  23. with torch.no_grad():
  24. theta -= alpha * theta.grad
  25. # Reset gradients
  26. theta.grad.zero_()
  27. print("Optimized theta:", theta)

输出:

  1. Optimized theta: tensor([[0.5931],
  2. [0.7819]], requires_grad=True)

优缺点

SGD虽然解决了批量梯度下降在大数据集上的计算问题,但因为每次只使用一个样本来更新模型,所以其路径通常比较“嘈杂”或“不稳定”。这既是优点也是缺点:不稳定性可能帮助算法跳出局部最优解,但也可能使得收敛速度减慢。

在接下来的部分,我们将介绍一种折衷方案——小批量梯度下降,它试图结合批量梯度下降和随机梯度下降的优点。


五、小批量梯度下降(Mini-batch Gradient Descent)

file
小批量梯度下降(Mini-batch Gradient Descent)是批量梯度下降和随机梯度下降(SGD)之间的一种折衷方法。在这种方法中,我们不是使用整个数据集,也不是使用单个样本,而是使用一个小批量(mini-batch)的样本来进行梯度的计算和参数更新。

基础算法

小批量梯度下降的基本算法步骤如下:

file

代码示例

下面的Python代码使用PyTorch库演示了小批量梯度下降的基础实现。

  1. import torch
  2. from torch.utils.data import DataLoader, TensorDataset
  3. # Hypothetical data (features and labels)
  4. X = torch.tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 4.0], [4.0, 5.0]], requires_grad=True)
  5. y = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
  6. # Initialize parameters
  7. theta = torch.tensor([[0.0], [0.0]], requires_grad=True)
  8. # Learning rate and batch size
  9. alpha = 0.01
  10. batch_size = 2
  11. # Prepare DataLoader
  12. dataset = TensorDataset(X, y)
  13. data_loader = DataLoader(dataset, batch_size=batch_size, shuffle=True)
  14. # Mini-batch Gradient Descent
  15. for epoch in range(100):
  16. for X_batch, y_batch in data_loader:
  17. J = (1 / (2 * batch_size)) * torch.sum((X_batch @ theta - y_batch) ** 2)
  18. J.backward()
  19. with torch.no_grad():
  20. theta -= alpha * theta.grad
  21. theta.grad.zero_()
  22. print("Optimized theta:", theta)

输出:

  1. Optimized theta: tensor([[0.6101],
  2. [0.7929]], requires_grad=True)

优缺点

小批量梯度下降结合了批量梯度下降和SGD的优点:它比SGD更稳定,同时比批量梯度下降更快。这种方法广泛应用于深度学习和其他机器学习算法中。

小批量梯度下降不是没有缺点的。选择合适的批量大小可能是一个挑战,而且有时需要通过实验来确定。

关注TechLead,分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验,同济本复旦硕,复旦机器人智能实验室成员,阿里云认证的资深架构师,项目管理专业人士,上亿营收AI产品研发负责人。
如有帮助,请多关注
TeahLead KrisChang,10+年的互联网和人工智能从业经验,10年+技术和业务团队管理经验,同济软件工程本科,复旦工程管理硕士,阿里云认证云服务资深架构师,上亿营收AI产品业务负责人。

原文链接:https://www.cnblogs.com/xfuture/p/17869521.html

 友情链接:直通硅谷  点职佳  北美留学生论坛

本站QQ群:前端 618073944 | Java 606181507 | Python 626812652 | C/C++ 612253063 | 微信 634508462 | 苹果 692586424 | C#/.net 182808419 | PHP 305140648 | 运维 608723728

W3xue 的所有内容仅供测试,对任何法律问题及风险不承担任何责任。通过使用本站内容随之而来的风险与本站无关。
关于我们  |  意见建议  |  捐助我们  |  报错有奖  |  广告合作、友情链接(目前9元/月)请联系QQ:27243702 沸活量
皖ICP备17017327号-2 皖公网安备34020702000426号