【深度学习系列】——梯度下降算法的可视化解释(动量,AdaGrad,RMSProp,Adam)!

本文主要是介绍【深度学习系列】——梯度下降算法的可视化解释(动量,AdaGrad,RMSProp,Adam)!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

这是深度学习系列的第二篇文章,欢迎关注原创公众号 【计算机视觉联盟】,第一时间阅读我的原创!回复 【西瓜书手推笔记】 还可获取我的机器学习纯手推笔记!

直达笔记地址:机器学习手推笔记(GitHub地址)


深度学习系列

【深度学习系列】——深度学习简介


笔记预览

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述


在这篇文章中,由于有大量的资源可以解释梯度下降,因此,我想在视觉上引导您了解每种方法的工作原理。借助我构建的梯度下降可视化工具,希望我可以为您提供一些独特的见解,或者至少提供许多GIF。

这里的重点是比较和对比这些方法。

Vanilla Gradient Descent

在机器学习的上下文中,梯度下降的目标通常是使机器学习问题的损失函数最小化。一个好的算法可以快速,可靠地找到最小值(即,它不会卡在局部最小值,鞍点或平稳区域中,而是求出全局最小值)。

基本的梯度下降算法遵循这样的思想,即梯度的相反方向指向下部区域的位置。因此,它会沿梯度的相反方向迭代。对于每个参数theta,它执行以下操作:

图片
Theta是您要优化的一些参数(例如,神经网络中神经元到神经元连接的权重,线性回归中特征的系数等)。机器学习优化设置中可能有成千上万个这样的theta。Delta是算法每次迭代后theta的变化量;希望随着每个这样的变化,θ逐渐接近最佳值。

由于人类的感知仅限于3维,在我所有的可视化中,假设我们只有两个参数(或theta)需要优化,它们由图中的x和y维表示。表面是损失函数。我们想要找到在曲面最低点的(x,y)组合。这个问题对我们来说微不足道,因为我们可以看到整个表面。但是球却看不到;它一次只能迈出一步,并探索周围的环境,就像只用手电筒在黑暗中行走一样。

梯度下降算法的分步说明

Momentum

动量算法(或简称为动量)的梯度下降借鉴了物理学的思想。想象一下,将球滚动到无摩擦碗内。累积的动量并没有停止在底部,而是将其向前推动,并且球不断来回滚动。

图片

衰减为1.0时的动量下降(无衰减)

我们可以将动量的概念应用于我们的Vanilla Gradient Descent算法。在每个步骤中,除了规则的渐变以外,它还增加了上一步的运动。在数学上,它通常表示为:

图片

如果我稍微改动一下这个等式,并记录“梯度的(衰减的)累积和”,会更直观。当我们稍后介绍Adam算法时,这也会使事情变得更简单。

图片

图片

动量下降的分步说明

让我们考虑两种极端情况,以便更好地了解此衰减率参数。如果衰减率为0,则它​​与Vanilla Gradient Descent梯度下降完全相同。如果衰减率为1,则它会像我们在开头提到的无摩擦碗类推一样不断地来回摇摆;你不希望出现这种情况。通常,衰减率大约在0.8-0.9之间选择-就像一个带有一点摩擦的表面,因此它最终会减速并停止。

那么,动量在哪些方面比Vanilla Gradient Descent更好?在下图的比较中,您可以看到两个优点:

  1. 动量只是移动得更快(因为它累积了所有动量)
  2. 动量有逃避局部最小值的作用(因为动量可能将其推离局部最小值)。同样,正如我们稍后将看到的那样,它还将更好地通过高原地区。

AdaGrad

Ada自适应梯度定向算法(简称AdaGrad)不是跟踪动量之类的梯度总和,而是跟踪梯度平方的总和,并使用它来适应不同方向的梯度。方程通常用张量表示。在这里,我将避免张量来简化语言。对于每个维度:

图片

AdaGrad血统的分步说明

在ML优化中,某些功能非常稀疏。稀疏特征的平均梯度通常很小,因此以慢得多的速度训练这些特征。解决此问题的一种方法是为每个功能设置不同的学习率,但这会很快变得混乱。

AdaGrad使用这种想法解决了这个问题:您更新的功能越多,将来更新的功能就越少,从而为其他功能(例如稀疏功能)提供了赶超的机会。用视觉术语来说,您更新了此功能有多少表示您在此维度中已移动了多少,并且此概念是由梯度平方的累积和所捕获的。注意,在上面的逐步网格图示中,如果没有重新调整缩放比例(1b),球将大部分垂直向下移动;通过调整(1d),它会沿对角线移动。

图片

在具有鞍点的地形上,AdaGrad(白色)对梯度下降(青色)。AdaGrad的学习率设置为高于梯度下降的学习率,但是无论学习率如何,AdaGrad的路径笔直的观点在很大程度上仍然正确。

此属性使AdaGrad(以及其他类似的基于梯度平方的方法,如RMSProp和Adam)可以更好地逃避鞍点。AdaGrad将采取直线路径,而梯度下降(或与此相关的,动量)采取的办法“让我先滑下陡坡也许担心慢方向后”。有时,香草梯度下降可能会在两个方向的梯度均为0且在此处完全满足的鞍点处停止。

RMSProp

AdaGrad的问题在于它的运行速度非常慢。这是因为梯度平方的总和只会增加而不会缩小。RMSProp加入衰减因子修复该问题。

图片

更精确地,梯度平方的和实际上是梯度平方的衰减的和。衰减率仅表示最近的梯度²很重要,而很久以前的梯度基本上已被忘记。附带说明一下,术语“衰减率”有点用词不当。与我们在动量中看到的衰减率不同,除衰减外,此处的衰减率还具有缩放效果:它将整个项按比例缩小(1-delay_rate)。换句话说,如果将delay_rate设置为0.99,则除了衰减外,梯度平方的总和将为AdaGrad的sqrt(1- 0.99)= 0.1,因此对于相同的步骤,该步长约为10倍。学习率。

图片

RMSProp(绿色)与AdaGrad(白色)。第一轮只是显示球;第二轮也显示了由平方代表的梯度平方和。

为了了解衰减的影响,在这种直接对比中,AdaGrad white(白色)最初与RMSProp(绿色)保持一致,这与调整后的学习速率和衰减速率一样。但是AdaGrad的平方平方和累积起来如此之快,以至于很快就变得庞大起来(由动画中的平方大小证明)。他们付出了沉重的代价,最终AdaGrad实际上停止了前进。另一方面,由于衰减率,RMSProp始终将正方形保持在可管理的大小范围内。这使得RMSProp比AdaGrad更快。

Adam

最后但并非最不重要的,Adam(Adaptive Moment Estimation的简称)开出最好的动量和RMSProp的两全其美。Adam在经验上表现良好,因此近年来,它通常是深度学习问题的首选。

让我们看一下它是如何工作的:

图片

Beta1是第一时刻的衰减率,即梯度(又称为动量)之和,通常设置为0.9。Beta 2是第二个时刻的衰减率,是梯度平方的总和,通常设置为0.999。

图片

Adam从动量获得速度,并从RMSProp获得了在不同方向适应梯度的能力。两者的结合使其功能强大。

总结

总之,梯度下降是一类算法,旨在通过遵循梯度来找到函数上的最小点。Vanilla Gradient Descent正好遵循梯度(由学习率定标)。改善梯度下降的两个常用工具是梯度的总和(第一力矩)和梯度平方的总和(第二动量)。动量法使用具有衰减率的一阶矩来获得速度。AdaGrad使用无衰减的二阶矩来处理稀疏特征。RMSProp使用第二时刻通过一个衰减率来从AdaGrad加速。Adam同时使用第一刻和第二刻,通常是最佳选择。

Reference

http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf

https://ruder.io/optimizing-gradient-descent/index.html#adagrad

https://bl.ocks.org/EmilienDupont/aaf429be5705b219aaaf8d691e27ca87

原文链接:https://towardsdatascience.com/a-visual-explanation-of-gradient-descent-methods-momentum-adagrad-rmsprop-adam-f898b102325c

思考

你平时都使用什么优化算法呢?欢迎留言区说出你的观点!

有收获吗?来个关注和点赞吧,让更多的人看到这篇文章

  1. 点赞,让更多的人看到这篇文章
  2. 文章首发原创公众号 【计算机视觉联盟】,第一时间阅读文章,回复 【西瓜书手推笔记】 获取PDF下载!
  3. 欢迎关注我的博客,我们一起学习进步!

这篇关于【深度学习系列】——梯度下降算法的可视化解释(动量,AdaGrad,RMSProp,Adam)!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/613152

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

wolfSSL参数设置或配置项解释

1. wolfCrypt Only 解释:wolfCrypt是一个开源的、轻量级的、可移植的加密库,支持多种加密算法和协议。选择“wolfCrypt Only”意味着系统或应用将仅使用wolfCrypt库进行加密操作,而不依赖其他加密库。 2. DTLS Support 解释:DTLS(Datagram Transport Layer Security)是一种基于UDP的安全协议,提供类似于

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖