【梯度下降法】详解优化算法之梯度下降法（原理、实现）

本文收录于《深入浅出讲解自然语言处理》专栏，此专栏聚焦于自然语言处理领域的各大经典算法，将持续更新，欢迎大家订阅！
个人主页：有梦想的程序星空
个人介绍：小编是人工智能领域硕士，全栈工程师，深耕Flask后端开发、数据挖掘、NLP、Android开发、自动化等领域，有较丰富的软件系统、人工智能算法服务的研究和开发经验。
如果文章对你有帮助，欢迎关注、点赞、收藏、订阅。

1、梯度下降法的介绍

梯度下降法（Gradient descent，简称GD）是一阶最优化算法。要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点，这个过程则被称为梯度上升法。

梯度下降法是迭代法的一种，可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降法和最小二乘法是最常采用的方法。在求解损失函数的最小值时，可以通过梯度下降法来迭代求解，得到最小化的损失函数和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭代了。在机器学习中，基于基本的梯度下降法发展了两种常用梯度下降方法，分别为随机梯度下降法和批量梯度下降法。

【梯度下降法】详解优化算法之梯度下降法（原理、实现）

2、梯度下降法的原理

举例说明，将下山的人看作 J(w) ，即表示目标函数，目的地是最低点。而中间如何到达最低点则是需要解决的问题。

【梯度下降法】详解优化算法之梯度下降法（原理、实现）

在当前位置求偏导，即梯度，正常的梯度方向类似于上山的方向，是使值函数增大的，下山最快需使 J(w) 最小，从负梯度求最小值，这就是梯度下降。梯度上升是直接求偏导，梯度下降则是梯度上升的负值。由于不知道怎么下山，于是需要走一步算一步，继续求解当前位置的偏导数。这样一步步的走下去，当走到了最低点，此时我们能得到一个近似最优解。

可以看出梯度下降有时得到的是局部最优解，如果损失函数是凸函数，梯度下降法得到的解就是全局最优解。

【梯度下降法】详解优化算法之梯度下降法（原理、实现）

如果函数为一元函数，梯度就是该函数的导数：

$\nabla f(x) = f'(x)$

如果为二元函数，梯度定义为：

$\nabla f({x_1},{x_2}) = \frac{{\partial y}}{{\partial {x_1}}}i + \frac{{\partial y}}{{\partial {x_2}}}j$

梯度下降法公式：

${\theta _i} = {\theta _i} - \alpha \frac{{\partial J({\theta _0},{\theta _1}, \cdots ,{\theta _n})}}{{\partial {\theta _i}}}$

求解步骤：

（1）确定当前位置的损失函数的梯度，对于 ${\theta _i}$ ，其梯度表达式为：

$\frac{{\partial J({\theta _0},{\theta _1}, \cdots ,{\theta _n})}}{{\partial {\theta _i}}}$

（2）用步长乘以损失函数的梯度，得到当前位置下降的距离，即 $\alpha \frac{{\partial J({\theta _0},{\theta _1}, \cdots ,{\theta _n})}}{{\partial {\theta _i}}}$ 。

（3）确定是否所有的 ${\theta _i}$ 梯度下降的距离都小于 $\varepsilon$ ，如果小于 $\varepsilon$ 则算法终止，当前所有的 ${\theta _i}$

即为最终结果。否则进入第（4）步。

（4）更新所有的 ${\theta _i}$ ，更新表达式如下，更新完成后转入步骤（1）：

${\theta _i} = {\theta _i} - \alpha \frac{{\partial J({\theta _0},{\theta _1}, \cdots ,{\theta _n})}}{{\partial {\theta _i}}}$

【梯度下降法】详解优化算法之梯度下降法（原理、实现）

3、Python 代码实现

from sklearn.linear_model import SGDRegressor from sklearn.preprocessing import StandardScaler standardScaler = StandardScaler() X_train_sta = standardScaler.transform(X_train) X_test_sta = standardScaler.transform(X_test) sgd_reg = SGDRegressor(n_iter=) sgd_reg.fit(X_train_sta,y_train) sgd_reg.score(X_test_sta,y_test) #0.65798

4、几种常用的梯度下降法

（1）全梯度下降算法（FG）

计算训练集所有样本误差，对其求和再取平均值作为目标函数。权重向量沿其梯度相反的方向移动，从而使当前目标函数减少得最多。因为在执行每次更新时，需要在整个数据集上计算所有的梯度，所以速度会很慢，同时，其在整个训练数据集上计算损失函数关于参数θ的梯度：

$\theta = \theta - \eta \cdot {\nabla _\theta }J(\theta )$

（2）随机梯度下降算法（SG）

由于FG每迭代更新一次权重都需要计算所有样本误差，而实际问题中经常有上亿的训练样本，故效率偏低，且容易陷入局部最优解，因此提出了随机梯度下降算法。其每轮计算的目标函数不再是全体样本误差，而仅是单个样本误差，即每次只代入计算一个样本目标函数的梯度来更新权重，再取下一个样本重复此过程，直到损失函数值停止下降或损失函数值小于某个设定的阈值。此过程简单，高效，通常可以较好地避免更新迭代收敛到局部最优解。其迭代形式为：

$\theta = \theta - \eta \cdot {\nabla _\theta }J(\theta ;{x^{(i)}};{y^{(i)}})$

其中， ${x^{(i)}}$ 表示一条训练样本的特征值， ${y^{(i)}}$ 表示一条训练样本的标签值。

但是由于，SG每次只使用一个样本迭代，若遇上噪声则容易陷入局部最优解。

（3）小批量梯度下降法

小批量梯度下降算法是FG和SG的折中方案，在一定程度上兼顾了以上两种方法的优点。每次从训练样本集上随机抽取一个小样本集，在抽出来的小样本集上采用FG迭代更新权重。被抽出的小样本集所含样本点的个数称为batch_size，通常设置为2的幂次方，更有利于GPU加速处理。特别的，若batch_size=1，则变成了SG；若batch_size=n，则变成了FG。其迭代形式为：

$\theta = \theta - \eta \cdot {\nabla _\theta }J(\theta ;{x^{(i:i + n)}};{y^{(i:i + n)}})$

关注微信公众号【有梦想的程序星空】，了解软件系统和人工智能算法领域的前沿知识，让我们一起学习、一起进步吧！

发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/221991.html原文链接：https://javaforall.net

【梯度下降法】详解优化算法之梯度下降法（原理、实现）

1、梯度下降法的介绍

2、梯度下降法的原理

3、Python 代码实现