【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

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

使用Folium在Python中进行地图可视化的操作指南

《使用Folium在Python中进行地图可视化的操作指南》在数据分析和可视化领域,地图可视化是一项非常重要的技能,它能够帮助我们更直观地理解和展示地理空间数据,Folium是一个基于Python的地... 目录引言一、Folium简介与安装1. Folium简介2. 安装Folium二、基础使用1. 创建

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

基于Python开发PDF转PNG的可视化工具

《基于Python开发PDF转PNG的可视化工具》在数字文档处理领域,PDF到图像格式的转换是常见需求,本文介绍如何利用Python的PyMuPDF库和Tkinter框架开发一个带图形界面的PDF转P... 目录一、引言二、功能特性三、技术架构1. 技术栈组成2. 系统架构javascript设计3.效果图