浅说机器学习中“迭代法”

蔚落 2022-08-22 00:25 342阅读 0赞

机器学习关于迭代法的介绍，很有哲理，浅显易懂 来自[zouxy09][]

**浅说[机器学习][Link 1]中“迭代法”**

[zouxy09@qq.com][zouxy09_qq.com]

[http://blog.csdn.net/zouxy09][http_blog.csdn.net_zouxy09]

首先来点八股文（来自百度百科）：迭代法也称辗转法，是一种不断用变量的旧值递推新值的过程，跟迭代法相对应的是直接法（或者称为一次解法），即一次性解决问题。迭代算法是用计算机解决问题的一种基本方法。它利用计算机运算速度快、适合做重复性操作的特点，让计算机对一组指令（或一定步骤）进行重复执行，在每次执行这组指令（或这些步骤）时，都从变量的原值推出它的一个新值。

利用迭代算法解决问题，需要做好以下三个方面的工作：

**一、确定迭代变量。**

在可以用迭代算法解决的问题中，至少存在一个直接或间接地不断由旧值递推出新值的变量，这个变量就是迭代变量。

**二、建立迭代关系式。**

所谓迭代关系式，指如何从变量的前一个值推出其下一个值的公式（或关系）。迭代关系式的建立是解决迭代问题的关键，通常可以使用递推或倒推的方法来完成。

**三、对迭代过程进行控制。**

在什么时候结束迭代过程？这是编写迭代程序必须考虑的问题。不能让迭代过程无休止地重复执行下去。迭代过程的控制通常可分为两种情况：一种是所需的迭代次数是个确定的值，可以计算出来；另一种是所需的迭代次数无法确定。对于前一种情况，可以构建一个固定次数的循环来实现对迭代过程的控制；对于后一种情况，需要进一步分析出用来结束迭代过程的条件。

不知大家有没有发现，自从我们进入到机器学习这个领域，迭代就阴魂不散，随处可见，不管哪篇论文，哪个算法，我们都能看到它的影子。那你有没有想过为什么？为什么迭代那么强大呢？那为什么它无处不在？很多常规手段解决不了的问题，迭代一过来就引刃而解了。迭代真得那么神？

为什么使用如此频繁呢？个人理解因为其实无论什么机器学习算法，最终都要求助于计算机解决，它又表现为在特定函数空间按某优化目标去搜索一个解出来。什么意思？我们的目标是让机器去学习和了解这个物理世界，而这个物理世界是随机的，所以我们就需要去猜测，我们对某个事物会有很多猜测，那么哪个猜测最靠谱，那就得有指标去衡量吧，那指标是什么呢？就有误差最小还是性能指标最大吧？那你怎么求它的最小还是最大呢？你说我们有求导，有拉格朗日？是没错，但他们能使用的本质条件是什么？是这些误差函数或者性能函数有解析式的时候。但是世界很多信号都是非平稳的，或者很难知道其统计特性的，这时候就没法得到其准确的解析式了，那这时候怎么找最大或者最小值啊。迭代？什么是迭代？

优化问题，要么求是最大值，要么求最小值，或者说要么从山脚爬上山顶，要么从山顶下坡到山脚。拿爬山也就是求最大值来举例。如果你一开始站在山脚下，一抬头见不到山顶，你怎么知道山顶在哪？你只知道如果我每一步都往高处爬，那么我肯定能爬上山顶。所以你是一步步往上爬，每爬一小段的时候，停下来，看看四周哪个方向上山最快，也就是坡度最陡（也就是性能曲面的梯度了），然后你就沿着这个方向再爬一小段，再停下来观测最快的上山方向，一直这样直到你爬上山顶。这个就是最速上升法（呵呵，标准来说一般在找最小值的时候称最速下降法）。

如果你在山脚，看到了山顶，你就不管三七二十一了，直接就往山顶那个方向不要命的冲，直到到达山顶。这个就是牛顿迭代法。

如果你在山脚开始，每爬一小段，然后下一步的方向你就随便蒙，听天由命，因为你相信，上帝会把你带到山顶的（上帝就是那个操纵概率的手），这个就是随机搜索算法。

好了，当你历经千辛万苦爬上一个山顶的时候，发现还有更高的山顶，但没办法啊，如果想到那个更高的山顶，你就得先下坡，再爬上那个山顶。这时候，有些人就满足了，看到了他想看到的美景，乐于他的局部最大值，不想折腾了。但有些人就不满足，你渴望那种“山顶绝顶我为峰，一览众山小”的心境，所以你就纵身一跳，滚到了山脚，如果你好运，那你就滚到了那个最高山顶的山脚，这时候，你再往上爬，就可以到达最高峰了。这个就是避免陷于局部最大值，寻找全局最大值的算法，叫模拟退火或者冲量等等。

所以个人理解，爬山或者寻找最优值取决了三个因素：

1）每步你走哪个方向；

2）每步你走多远；

3）对从局部最大跳出到达全局最大的要求是否高。

个人感觉这三个因素就构成了不同的优化算法，或者说迭代算法。

其实人生就是一个迭代的过程，每天都在一个新的状态，每天都在不断的更新，慢慢地向你美好的理想靠近。有时候你发现生活很累，感觉成功遥遥无期，那是因为你的收敛速度太慢了；有时候你过于急功近利了，就可能错过了目标，意外的翻过了山头。所以你人生的迭代方向和步伐的选择都非常重要。呵呵。

另外，迭代法对于求解某些运算量大的计算非常有帮组。例如求矩阵的逆？呵呵，在图像领域，矩阵够大吧，那么我们求解矩阵的逆一般用克莱姆法则，即求矩阵的伴随矩阵和它的行列式的比，这个计算量足以让人惊叹了，虽然更快的算法和更快的硬件出现，但对于实时性要求比较高的程序来说，这个速度是比较难接受的。但是迭代却会让你很爽，因为这一次的计算结果用到的上次的结果，例如第n+1次用到第n次求的逆，这样就不需要再第n+1时刻，重新计算n+1维的方阵的逆（呵呵，可以这样理解）。例如你要一栋100层的大楼，那么你直接在一座99层的楼上加一层总比你另开炉灶，在一片空地上盖100层的楼要快多了。这个就像什么序贯迭代法啊什么的，呵呵。

迭代法是个很有内涵的东西，就我这么粗浅苍白的语言很难表达他的宏厚和豁达，只有在茫茫的知识海中不断与其相遇、相识、相知和相爱！

[zouxy09]: http://blog.csdn.net/zouxy09/article/details/8537872
[Link 1]: http://lib.csdn.net/base/2
[zouxy09_qq.com]: mailto:zouxy09@qq.com
[http_blog.csdn.net_zouxy09]: http://blog.csdn.net/zouxy09