zoukankan      html  css  js  c++  java
  • 随机梯度下降

    • 优化目标函数:(L( heta) = mathbb{E}_{(x,y) sim p_{data}} L(f(x, heta), y))
    • 找到平均损失最小的模型参数,也就是求解优化问题:( heta^{*} = mathop{arg min} L( heta))

    经典梯度下降

    • 采用所有训练数据的平均损失来近似目标函数,即(L( heta) = frac{1}{M}sum limits_{i=1}^{M}L(f(x_i, heta), y_i)​)
    • ( abla L( heta) = frac{1}{M}sum limits_{i=1}^{M} abla L(f(x_i, heta), y_i))
    • 需要遍历所有训练数据,计算开销太大,但效果其实最好

    随机梯度下降

    • 用单个训练样本的损失来近似平均损失,即

      [egin{aligned} L( heta; x_i, y_i) & = L(f(x_i, heta), y_i) \ abla L( heta; x_i, y_i) & = abla L(f(x_i, heta), y_i) end{aligned}​ ]

    • 加快收敛速度,也适合在线更新

    • 小批量梯度下降法

      • 降低随机梯度的方差,使迭代更稳定

      • 充分利用高度优化的矩阵运算

      • 同时处理m个训练数据({ (x_1, x_2), cdots, (x_m, y_m) }),目标函数及其梯度为

        [egin{aligned} L( heta) & = frac{1}{m} sum limits_{i=1}^{m}L(f(x_i, heta), y_i) \ abla L( heta) & = frac{1}{m} sum limits_{i = 1}^{m} abla L(f(x_i, heta), y_i) end{aligned} ]

      • 注意:

        • m的选取:一般选2的幂次,充分利用矩阵运算
        • 挑选m条数据:shuffle
        • 学习率:动态可调的
  • 相关阅读:
    水波模拟算法
    火车调度问题
    讨论范式
    字符串编码传输
    意识的物质,物质的意识
    需求分析——项目日志管理系统
    委托揭秘
    [9]OCP:开放封闭原则
    NULL OBJECT 模式
    由《通用权限设计》而引发的随想
  • 原文地址:https://www.cnblogs.com/weilonghu/p/11922496.html
Copyright © 2011-2022 走看看