Stochastic Gradient Descent vs Batch Gradient Descent vs Mini-batch Gradient Descent

梯度下降是最小化風險函數(shù)/損失函數(shù)的一種經(jīng)典常見的方法牌废,下面總結下三種梯度下降算法異同。

1、 批量梯度下降算法(Batch gradient descent)

以線性回歸為例丁屎,損失函數(shù)為

BGD算法核心思想為每次迭代用所有的訓練樣本來更新Theta鲁沥,這對于訓練樣本數(shù)m很大的情況是很耗時的呼股。

BGD算法表示為

或者表示為

其中X(m*n)為訓練樣本矩陣,α為學習速率画恰,m為樣本數(shù)彭谁,y(m*1)為樣本結果標簽向量,Theta(n*1)為參數(shù)向量

其中損失函數(shù) J 對Theta的導數(shù)為

foriter =1:num_iterstheta=theta-alpha/m*X'*(X*theta-y);end

1

2

3

4

5

迭代num_iters次的BGD如上述代碼所示

BGD大體執(zhí)行過程

2允扇、隨機梯度下降算法(Stochastic Gradient Descent)

SGD在大規(guī)模訓練集上會更高效

SGD的損失函數(shù)也與BGD有所不同

SGD算法在于每次只去擬合一個訓練樣本马靠,這使得在梯度下降過程中不需去用所有訓練樣本來更新Theta。BGD每次迭代都會朝著最優(yōu)解逼近蔼两,而SGD由于噪音比BGD多甩鳄,多以SGD并不是每次迭代都朝著最優(yōu)解逼近,但大體方向是朝著最優(yōu)解额划,SGD大約要遍歷1-10次數(shù)據(jù)次來獲取最優(yōu)解妙啃。

SGD算法大體分兩步

SGD算法大體執(zhí)行過程

其中學習速率α一般設置為常數(shù),但我們也可以將α隨迭代次數(shù)而減小俊戳,這樣更有利于我們函數(shù)收斂向最優(yōu)解

小批量梯度下降算法(Mini-batch Gradient Descent)

MBGD有時候甚至比SGD更高效揖赴。

MBGD不像BGD每次用m(所有訓練樣本數(shù))個examples去訓練,也不像SGD每次用一個example抑胎。MBGD使用中間值b個examples

經(jīng)典的b取值大約在2-100

例如 b=10燥滑,m=1000

此處MBGD每次只用10個examples來訓練。

參考自Andrew NG 在coursera的machine learning week10

參考鏈接

?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末阿逃,一起剝皮案震驚了整個濱河市铭拧,隨后出現(xiàn)的幾起案子赃蛛,更是在濱河造成了極大的恐慌,老刑警劉巖搀菩,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件呕臂,死亡現(xiàn)場離奇詭異,居然都是意外死亡肪跋,警方通過查閱死者的電腦和手機歧蒋,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來州既,“玉大人谜洽,你說我怎么就攤上這事∥庖叮” “怎么了阐虚?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長晤郑。 經(jīng)常有香客問我敌呈,道長,這世上最難降的妖魔是什么造寝? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任磕洪,我火速辦了婚禮,結果婚禮上诫龙,老公的妹妹穿的比我還像新娘析显。我一直安慰自己,他們只是感情好签赃,可當我...
    茶點故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布谷异。 她就那樣靜靜地躺著,像睡著了一般锦聊。 火紅的嫁衣襯著肌膚如雪歹嘹。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天孔庭,我揣著相機與錄音尺上,去河邊找鬼。 笑死圆到,一個胖子當著我的面吹牛怎抛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播芽淡,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼马绝,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了挣菲?” 一聲冷哼從身側響起富稻,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤掷邦,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后唉窃,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體耙饰,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡纹笼,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年纹份,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片廷痘。...
    茶點故事閱讀 38,654評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡蔓涧,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出笋额,到底是詐尸還是另有隱情元暴,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布兄猩,位于F島的核電站茉盏,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏枢冤。R本人自食惡果不足惜鸠姨,卻給世界環(huán)境...
    茶點故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望淹真。 院中可真熱鬧讶迁,春花似錦、人聲如沸核蘸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽客扎。三九已至祟峦,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間徙鱼,已是汗流浹背宅楞。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留疆偿,地道東北人咱筛。 一個月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像杆故,于是被迫代替她去往敵國和親迅箩。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容