cs231n学习之参数更新（6）

2019-08-24 本文已影响0人 Latet

前言

本文旨在学习和记录，如需转载，请附出处https://www.jianshu.com/p/7b00149dc797

参数更新

神经网络学习的目标是找到一组使损失函数尽可能小的参数，这个过程一般称作最优化问题。
一般计算参数的梯度来更新参数，沿着梯度的方向进行参数更新，然后重复多次，直到收敛，这个最基础的参数更新方法叫做随机梯度下降（stochastic gradient descent, SGD）

基于梯度的优化方法
目标函数：最小化或最大化的函数，通常也称损失函数、误差函数。一般格式为 $x^{*}=argminf(x)$ ;
梯度下降：对误差函数求导，往其导数的反方向移动一小步来减小误差函数；
局部极小点：临界点小于周围所有的临近点，不可能通过无穷小的步长来减小f(x);
局部极大点：与局部极小点相反；
鞍点：临界点既不是最小也不是最大；
在深度学习中，优化的函数可能不是非凸的，很可能存在许多全局极小点或者鞍点时，优化算法可能无法找到全局最小点；但是即使找到的不是全局最小点，他找到的局部极小点对应于误差函数显著低的值，通常代表网络收敛了。
导数的导数
一阶导数随输入的变化，也叫二阶导数，可以衡量曲率
. 如果二阶导数为0，即没有曲率，就是平坦的线，用梯度就可以预测值，如果梯度为1，步长为 $\epsilon$ ，则此时将下降 $\epsilon$ ;
. 如果二阶导数为正数，函数曲线向下凹陷，实际下降比 $\epsilon$ 要少，比预期要下降慢；
. 如果二阶导数为负数，函数曲线向上凹陷，实际下降比 $\epsilon$ 要多，比预期要下降快；
Hessian矩阵：一个多元函数的二阶导数构成的方阵
Hessian矩阵是实对称的，可以将其分解为一组实特征值和一组特征向量的正交基。特定方向d上的二阶导数可以写成 $d^THd$ ,当d是H的一个特征向量时，这个方向的二阶导数就是对应的特征值；对于其他方向的二阶导数可以写成所以特征值的加权平均，且与d夹角越小的特征向量的权重越来越大。最大特征值确定为最大二阶导数。

f(x)在当前点 $x_{0}$ 的近似二阶泰勒级数： $f(x)\approx f(x_{0})+(x-x_{0})g+1/2(x-x_{0})^{2}H(x-x_{0})$ ，其中g为梯度，H是 $x_{0}$ 的Hessian值。
如果使用学习率 $\epsilon$ ，则新的点为 $x_{0}- g\epsilon$ ，带入二阶泰勒级数的近似，可以得到：
$f(x_{0}-g\epsilon)\approx f(x_{0})-g^{T}g\epsilon +1/2\epsilon^{2}g^{T}Hg$
上式三项分别为：函数的原始值、函数梯度导致的预期更新和函数曲率带来的校正。当最后一项较大的时候，梯度下降有可能是上升的。当第三项为0或者负数时，近似的泰勒展开表明梯度下降将一直下降。在实际情况上，泰勒级数不会在 $\epsilon$ 大的时候也保持准确。所以当 $g^{T}Hg$ 为正时，通过计算，使近似的泰勒级数下降的最多最优步长为：
$\epsilon^{*}=\frac{g^{T}g}{g^{T}Hg}$
最坏情况下，g与H最大特征值对应的特征向量对齐，最优步长为 $\frac{1}{最大特征值}$ 。
二阶导数的另一个作用：
二阶导数测试：确定一个临界点是否为局部极大值、局部极小值或者鞍点。
. 临界点导数都为0，如果其二阶导数大于0意味着导数随着右移动越来越大，则为局部极小值；
. 临界点导数都为0，如果其二阶导数小于0意味着导数随着右移动越来越小，则为局部极大值；
. 临界点的二阶导数为0，无法确定，鞍点或者平坦区域。
扩展到多维情况下，单个点上每个方向的二阶导数是不同的，Hessian矩阵的条件数会影响梯度下降，一个方向上导数增加的很快，另一方向却很慢，梯度下降无法判断这种变化，病态的条件会难以选择合适的步
长。步长不能太大，以免冲过了最小而具有较强正曲率方向上升；而且这步长太小，在其他较小曲率上进展会不明显。

image.png

一、SGD

标准的SGD更新策略：
$X = X-lr*dx$
SGD的缺点：

优化效率低
如果损失在一个方向上变换的较快而在另一方向上变换的较慢，它的梯度非常缓慢在慢的那个方向上，而在快的方向上抖动剧烈。这是因为梯度的方向并没有指定最小值的方向，梯度不知道网那个方向去下降，是病态的变换；
cs231课件截图.png
难以跳出局部最小值或鞍点
因为更新策略只考虑了梯度，在局部最小值和鞍点的梯度都为0，此时梯度下降将停滞不前；
mini-batch容易引入噪声
对m个训练样本的随机采样，其梯度并不会在极小点消失。而且随机采样的点并不能代表全局数据集。

二、带动量的SGD

momentum动量

$v=\alpha v-lr*g$
$\theta = \theta+v$
之前一般的SGD优化只考虑了梯度，步长只跟梯度和学习率有关；现在，步长需要考虑梯度序列的大小和排序，当很多梯度指向相同的方向的时候，步长最大，速度一直在-g方向一直加速，直到最大速度，步长大小为：
$\frac{lr*||g||}{1-\alpha}$

image.png
对一个方向梯度较大和一个方向梯度较小的情况下，采用普通的SGD会很震荡，采用带momentum的SGD会缓和这种情况，因为在梯度较小的那个方向一些在累积梯度，而另外方向虽然梯度很大，但是一直震荡，累加起来就变小了，所以会更快的向最小点靠近。

image.png

Nesterov动量

$v_{t+1} = \alpha*v_{t}-lr\bigtriangledown f(x_{t}+\alpha v_{t})$
$x_{t+1}=x_{t}+v_{t+1}$

image.png

令 $\hat x_{t}=x_{t}+\alpha v_{t}$ ,则有
$v_{t+1}=\alpha*v_{t}-lr\bigtriangledown f(\hat x_{t})$
$\hat x_{t+1}=x_{t+1}+\alpha v_{t+1}=x_t+v_{t+1}+\alpha v_{t+1}$
$\hat x_{t+1}=x_t+v_{t+1}+\alpha v_{t+1}+\alpha v_{t}-\alpha v_{t}=\hat x_{t}+v_{t+1}+\alpha (v_{t+1}-v_{t})$
Nesterov动量和momentum动量之间的区别就在于计算梯度上。Nesterov动量中，梯度计算在施加当前速度之后，相当于momentum动量上添加了校正因子。利用速度更新把loss带到一定地方再计算梯度，然后混合速度得到实际的更新方向。

三、AdaGrad

AdaGrad算法为每个参数自适应的调整学习率.
$h = h+grad*grad$
$w=w-lr\frac{1}{\sqrt h}grad$
AdaGrad保存了以前所有梯度的平方和，在更新参数时，除以了所有梯度平方和的根号，调整学习的尺度。对于变化较大的参数的学习率将变小，变化小的参数将会得到加速。
但是，如果一直学习下去，其梯度将为为0

四、RMSProp

RMSProp是改进的AdaGrad优化算法，它在计算梯度平方和时采用了加权，指数衰减平方来计算，逐步遗忘过去的梯度。
$h =\alpha h+(1-\alpha )grad*grad$
$w=w-lr\frac{1}{\sqrt h}grad$
另外，使用Nesterov动量的RMSProp可以描述为：
$grad = \bigtriangledown f(w_{t}+\alpha v_{t})$
$h =\alpha h+(1-\alpha )grad*grad$
$v_{t+1} = \alpha*v_{t}-\frac {lr}{\sqrt {h}}*grad)$
$w_{t+1}=w_{t}+v_{t+1}$

def rmsprop(w, dw, config=None):
    """
    Uses the RMSProp update rule, which uses a moving average of squared
    gradient values to set adaptive per-parameter learning rates.

    config format:
    - learning_rate: Scalar learning rate.
    - decay_rate: Scalar between 0 and 1 giving the decay rate for the squared
      gradient cache.
    - epsilon: Small scalar used for smoothing to avoid dividing by zero.
    - cache: Moving average of second moments of gradients.
    """
    if config is None: config = {}
    config.setdefault('learning_rate', 1e-2)
    config.setdefault('decay_rate', 0.99)
    config.setdefault('epsilon', 1e-8)
    config.setdefault('cache', np.zeros_like(w))

    next_w = None
    config['cache'] = config['decay_rate']*config['cache']+(1-config['decay_rate'])*dw*dw
    next_w = w-config['learning_rate']*dw/(np.sqrt(config['cache'])+1e-7)

    return next_w, config

五、Adam

Adam算法是AdaGrad/RMSProp和动量方法的结合
$t = t+1$
$s=\beta_{1} s+(1-\beta_{1})grad$
$r =\beta_{2} s+(1-\beta_{2})grad *grad$
$\hat s = \frac{s}{1-\beta_{1}^t}$ 修正
$\hat r = \frac{r}{1-\beta_{2}^t}$
$w=w-lr*\frac{\hat s}{\sqrt{\hat r}}+eps$
以下代码未写修正。

def adam(w, dw, config=None):
    """
    Uses the Adam update rule, which incorporates moving averages of both the
    gradient and its square and a bias correction term.

    config format:
    - learning_rate: Scalar learning rate.
    - beta1: Decay rate for moving average of first moment of gradient.
    - beta2: Decay rate for moving average of second moment of gradient.
    - epsilon: Small scalar used for smoothing to avoid dividing by zero.
    - m: Moving average of gradient.
    - v: Moving average of squared gradient.
    - t: Iteration number.
    """
    if config is None: config = {}
    config.setdefault('learning_rate', 1e-3)
    config.setdefault('beta1', 0.9)
    config.setdefault('beta2', 0.999)
    config.setdefault('epsilon', 1e-8)
    config.setdefault('m', np.zeros_like(w))
    config.setdefault('v', np.zeros_like(w))
    config.setdefault('t', 0)

    next_w = None
    config['m'] = config['m']*config['beta1']+(1-config['beta1'])*dw
    config['v'] = config['v']*config['beta2']+(1-config['beta2'])*dw*dw
    next_w = w - config['learning_rate']*config['m']/(np.sqrt(config['v']+config['epsilon']))
   
    return next_w, config

实验结果

loss.png

train accuracy.png

valid accuracy.png

总结

现在常用的优化算法有SGD，带动量的SGD（momentum/Nesterov）,AdaGrad,RMSProp,Adam。其中，后三种是自适应学习率算法，这几种都是比较常用的，目前并没有一个统一的标准说哪一个算法更好，一般使用时都取决于是否对该方法比较熟悉或者以便调节超参数。

cs231n学习之参数更新（6）

前言

参数更新

一、SGD

二、带动量的SGD

momentum动量

Nesterov动量

三、AdaGrad

四、RMSProp

五、Adam

总结

参考

猜你喜欢

热点阅读