吴恩达deep learning ai 笔记总结(2-2) 改善深层神经网络-优化算法

谁践踏了优雅 2023-06-10 09:28 71阅读 0赞

### 文章目录 ###

*  改善深层神经网络-优化算法
 *   *  Gradient Checking
     *  Mini-batch 训练
     *  指数加权平均（Exponentially weighted averages）
     *  理解指数加权平均
     *  指数加权平均的Bias纠正
     *  Gradient descent with momentum(动量)
     *  RMSProp
     *  Adam optimization algorithm
     *  学习衰减率(rate decay)

# 改善深层神经网络-优化算法 #

摘要：本篇继续讨论深度神经网络中的一些优化算法，通过使用这些技巧和方法来提高神经网络的训练速度和精度。

## Gradient Checking ##

Back Propagation神经网络有一项重要的测试是梯度检查（gradient checking）。其目的是检查验证反向传播过程中梯度下降算法是否正确。  
利用微分思想，使用Numerical Method 方法，函数f在点θ处的梯度可以使用双边误差的方法去逼近导数：  
![在这里插入图片描述][20191028220810557.png]  
误差：  
![在这里插入图片描述][20191028220835594.png]  
了解了如何近似求出梯度值后，来看如何进行梯度检查，来验证训练过程中是否出现bugs。  
因为我们的神经网络中含有大量的参数，为了做梯度检验，需要将这些参数全部连接起来，这些矩阵构造成一维向量，然后将这些一维向量组合起来构成一个更大的一维向量θ。  
然后将反向传播过程通过梯度下降算法得到的dW，照一样的顺序构造成一个一维向量dθ，dθ的维度与θ一致。

小tips:

*  不要在整个训练过程中都进行梯度检查，仅仅作为debug使用。
 *  如果梯度检查出现错误，找到对应出错的梯度，检查其推导是否出现错误。
 *  注意不要忽略正则化项，计算近似梯度的时候要包括进去。
 *  梯度检查时关闭dropout，检查完毕后再打开dropout。
 *  随机初始化时运行梯度检查，经过一些训练后再进行梯度检查（不常用）

## Mini-batch 训练 ##

之前我们介绍的神经网络训练过程是对所有m个样本，称为batch，通过向量化计算方式，同时进行的。如果m很大，例如达到百万数量级，训练速度往往会很慢，因为每次迭代都要对所有样本进行进行求和运算和矩阵运算。我们将这种梯度下降算法称为Batch Gradient Descent。

为了解决这一问题，我们可以把m个训练样本分成若干个子集，称为mini-batches，这样每个子集包含的数据量就小了，例如只有1000，然后每次在单一子集上进行神经网络训练，速度就会大大提高。这种梯度下降算法叫做Mini-batch Gradient Descent。

Mini-batches Gradient Descent的实现过程是先将总的训练样本分成T个子集（mini-batches），然后对每个mini-batch进行神经网络训练，包括Forward Propagation，Compute Cost Function，Backward Propagation，循环至T个mini-batch都训练完毕。

经过T次循环之后，所有m个训练样本都进行了梯度下降计算。这个过程，我们称之为经历了一个epoch。对于Batch Gradient Descent而言，一个epoch只进行一次梯度下降算法；而Mini-Batches Gradient Descent，一个epoch会进行T次梯度下降算法。

值得一提的是，对于Mini-Batches Gradient Descent，可以进行多次epoch训练。而且，每次epoch，最好是将总体训练数据重新打乱、重新分成T组mini-batches，这样有利于训练出最佳的神经网络模型。

普通的batch梯度下降法和Mini-batch梯度下降法代价函数的变化趋势，如下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70]  
**batch梯度下降：**

*  对所有m个训练样本执行一次梯度下降，每一次迭代时间较长；
 *  Cost function 总是向减小的方向下降。

**Stachastic 梯度下降：**

*  对每一个训练样本执行一次梯度下降，但是丢失了向量化带来的计算加速；
 *  Cost function总体的趋势向最小值的方向下降，但是无法到达全局最小值点，呈现波动的形式。

**Mini-batch梯度下降：**

*  选择一个1<size<m1<size<m 的合适的size进行Mini-batch梯度下降，可以实现快速学习，也应用了向量化带来的好处。
 *  Cost function的下降处于前两者之间。

**Mini-batch 大小的选择**

*  一般来说，如果总体样本数量m不太大时，例如m≤2000m≤2000，建议直接使用Batch gradient descent。
 *  如果总体样本数量m很大时，建议将样本分成许多mini-batches。推荐常用的mini-batch size为64,128,256,512。这些都是2的幂。之所以这样设置的原因是计算机存储数据一般是2的幂，这样设置可以提高运算速度
 *  Mini-batch的大小要符合CPU/GPU内存。

## 指数加权平均（Exponentially weighted averages） ##

指数加权平均的一般形式：  
![在这里插入图片描述][20191029001304872.png]  
下图是一个关于天数和温度的散点图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 1]  
当β=0.9时，指数加权平均最后的结果如图中红色线所示；  
当β=0.98时，指数加权平均最后的结果如图中绿色线所示；  
当β=0.5时，指数加权平均最后的结果如下图中黄色线所示；

β值决定了指数加权平均的天数  
β值越大，则指数加权平均的天数越多，平均后的趋势线就越平缓，但是同时也会向右平移。下图绿色曲线和黄色曲线分别表示了β=0.98和β=0.5时，指数加权平均的结果。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 2]

## 理解指数加权平均 ##

例子，当β=0.9时：

![在这里插入图片描述][20191029002601822.png]  
展开：  
![在这里插入图片描述][20191029002632518.png]  
上式中所有θ前面的系数相加起来为1或者接近于1，称之为Bias纠正。

将指数加权平均公式的一般形式写下来：  
![在这里插入图片描述][20191029003205936.png]  
观察上面这个式子，θt,θt−1,θt−2,θ1是原始数据值，(1−β),(1−β)β,(1−β)β2,⋯,(1−β)βt−1是类似指数曲线，从右向左，呈指数下降的。Vt的值就是这两个子式的点乘，将原始数据值与衰减指数点乘，相当于做了指数衰减，离得越近，影响越大，离得越远，影响越小，衰减越厉害。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 3]  
**指数加权平均实现**  
![在这里插入图片描述][20191029003930672.png]  
在计算当前时刻的平均值，只需要前一天的平均值和当前时刻的值，所以在数据量非常大的情况下，指数加权平均在节约计算成本的方面是一种非常有效的方式，可以很大程度上减少计算机资源存储和内存的占用。

## 指数加权平均的Bias纠正 ##

在我们执行指数加权平均的公式时，当β=0.98时，我们得到的并不是图中的绿色曲线，而是下图中的紫色曲线，其起点比较低。这是因为开始时我们设置V0=0，所以初始值会相对小一些，直到后面受前面的影响渐渐变小，趋于正常。  
修正这种问题的方法是进行偏移校正（bias correction），即在每次计算完Vt后，对Vt进行下式处理：

*  bias correction  
    ![在这里插入图片描述][2019102900442922.png]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 4]  
原因：  
![在这里插入图片描述][20191029004523231.png]  
偏差修正得到了绿色的曲线，在开始的时候，能够得到比紫色曲线更好的计算平均的效果。随着t逐渐增大，βt接近于0，所以后面绿色的曲线和紫色的曲线逐渐重合了。

值得一提的是，机器学习中，偏移校正并不是必须的。因为，在迭代一次次数后（t较大），Vt受初始值影响微乎其微，紫色曲线与绿色曲线基本重合。所以，一般可以忽略初始迭代过程，等到一定迭代之后再取值，这样就不需要进行偏移校正了。

## Gradient descent with momentum(动量) ##

动量梯度下降的基本思想就是计算*梯度的指数加权平均数*，并利用该梯度来更新权重。其速度要比传统的梯度下降算法快很多。做法是在每次训练时，对梯度进行指数加权平均处理，然后用得到的梯度值更新权重W和常数项b。下面介绍具体的实现过程。

在我们优化 Cost function 的时候，以下图所示的函数图为例：  
![在这里插入图片描述][20191029005459972.png]

原始的梯度下降算法如上图蓝色折线所示。在梯度下降过程中，梯度下降的振荡较大，尤其对于W、b之间数值范围差别较大的情况。此时每一点处的梯度只与当前方向有关，产生类似折线的效果，前进缓慢。而且我们只能使用一个较小的学习率来进行迭代。

如果用较大的学习率，结果可能会如紫色线一样偏离函数的范围，所以为了避免这种情况，只能用较小的学习率。

但是我们又希望在如图的纵轴方向梯度下降的缓慢一些，不要有如此大的上下波动，在横轴方向梯度下降的快速一些，使得能够更快的到达最小值点，而这里用动量梯度下降法既可以实现，如红色线所示。

如果对梯度进行指数加权平均，这样使当前梯度不仅与当前方向有关，还与之前的方向有关，这样处理让梯度前进方向更加平滑，减少振荡，能够更快地到达最小值处。

权重W和常数项b的指数加权平均表达式如下：  
![在这里插入图片描述][20191029005858315.png]  
动量梯度下降算法的过程如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 5]  
初始时，令VdW=0,Vdb=0。一般设置β=0.9，即指数加权平均前10天的数据，实际应用效果较好。

另外，关于偏移校正，可以不使用。因为经过10次迭代后，随着滑动平均的过程，偏移情况会逐渐消失。

## RMSProp ##

除了上面所说的Momentum梯度下降法，RMSprop（root mean square prop）也是一种可以加快梯度下降的算法。  
每次迭代训练过程中，其权重W和常数项b的更新表达式为：  
![在这里插入图片描述][20191029010441416.png]  
RMSprop算法的原理，仍然以下图为例，为了便于分析，令水平方向为W的方向，垂直方向为b的方向。

![在这里插入图片描述][20191029010536604.png]  
从图中可以看出，梯度下降（蓝色折线）在垂直方向（b）上振荡较大，在水平方向（W）上振荡较小，表示在b方向上梯度较大，即db较大，而在W方向上梯度较小，即dW较小。因此，上述表达式中Sb较大，而SW较小。在更新W和b的表达式中，使得W变化得多一些，b变化得少一些。即加快了W方向的速度，减小了b方向的速度，减小振荡，实现快速梯度下降算法，其梯度下降过程如绿色折线所示。总得来说，就是如果哪个方向振荡大，就减小该方向的更新速度，从而减小振荡。

## Adam optimization algorithm ##

Adam 优化算法的基本思想就是将 Momentum 和 RMSprop 结合起来形成的一种适用于不同深度学习结构的优化算法。

**算法实现**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 6]  
**超参数的选择**  
![在这里插入图片描述][20191029011104562.png]

## 学习衰减率(rate decay) ##

减小学习因子αα也能有效提高神经网络训练速度，这种方法被称为learning rate decay。

Learning rate decay就是随着迭代次数增加，学习因子αα逐渐减小。下面用图示的方式来解释这样做的好处。下图中，蓝色折线表示使用恒定的学习因子αα，由于每次训练αα相同，步进长度不变，在接近最优值处的振荡也大，在最优值附近较大范围内振荡，与最优值距离就比较远。绿色折线表示使用不断减小的αα，随着训练次数增加，αα逐渐减小，步进长度减小，使得能够在最优值处较小范围内微弱振荡，不断逼近最优值。相比较恒定的αα来说，learning rate decay更接近最优值。

![在这里插入图片描述][20191029011619416.png]  
**学习率衰减的实现**

*  一般常用  
    ![在这里插入图片描述][20191029011908475.png]  
    其中，deacy\_rate是参数（可调），epoch是训练完所有样本的次数。随着epoch增加，α会不断变小。
 *  指数衰减  
    ![在这里插入图片描述][20191029011928628.png]
 *  其他  
    ![在这里插入图片描述][20191029011954455.png]  
    其中，k为可调参数，t为mini-bach number。

[20191028220810557.png]: /images/20230531/8304d77ac18e4a339e20f711104e6fdd.png
[20191028220835594.png]: /images/20230531/242200490d814fa9911dd92c51970f31.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70]: /images/20230531/b1fa9f9c4fee4b55a7c7e712d69a3995.png
[20191029001304872.png]: /images/20230531/48cbb921c2274f7aa948f1b8c8ab8c1c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 1]: /images/20230531/3414595a27e84f758d1eba28f5463668.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 2]: /images/20230531/8831e9a6716b426fad748a9688d0f97c.png
[20191029002601822.png]: /images/20230531/14e0f2f100cb4e83b9eaa7d4a11b836b.png
[20191029002632518.png]: /images/20230531/0517ef28c93948e08fec8131ca9f1b47.png
[20191029003205936.png]: /images/20230531/ea7ee5835c504147895fb81293f67a63.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 3]: /images/20230531/962bbe1f4ea34b93ada430deabfdc31e.png
[20191029003930672.png]: /images/20230531/d2daed4611324e2195f42f30fcbb5955.png
[2019102900442922.png]: /images/20230531/7515c2171c194b76a99cf0e7d1a58f5c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 4]: /images/20230531/98f41fe7a7ef4afc9ac4ce0a16062d7c.png
[20191029004523231.png]: /images/20230531/19f51b86a32d41e993a97f98b188a1e4.png
[20191029005459972.png]: /images/20230531/7b6745b6caea4b2cb9033985bc8202ee.png
[20191029005858315.png]: /images/20230531/f71c45ea7da94e4abde88f1e8387da8e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 5]: /images/20230531/2bf1351c7e5c4da0ab18e15a7fdcaf02.png
[20191029010441416.png]: /images/20230531/33a088ef638543179ae259cd1e8eef9d.png
[20191029010536604.png]: /images/20230531/20848efbde1c4f2f922be82ff1033322.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tla2VfTWVtb3J5_size_16_color_FFFFFF_t_70 6]: /images/20230531/38e7e604adad4358a835c8bb13ac0cf4.png
[20191029011104562.png]: /images/20230531/78f160d0e81e4709a1b94ff20c6e440c.png
[20191029011619416.png]: /images/20230531/e3ec2a0429584d67832fbe1539733119.png
[20191029011908475.png]: /images/20230531/75c818502a5847f19430e451dcb02c19.png
[20191029011928628.png]: /images/20230531/0d03cbc1905d469b9442c43c75e0825b.png
[20191029011954455.png]: /images/20230531/aaa35c60e79c41ad8952eefd660f0125.png