總目錄
一、 凸優化基礎(Convex Optimization basics)
- 凸優化基礎(Convex Optimization basics)
二、 一階梯度方法(First-order methods)
- 梯度下降(Gradient Descent)
- 次梯度(Subgradients)
- 近端梯度法(Proximal Gradient Descent)
- 隨機梯度下降(Stochastic gradient descent)
待更新。。。
Introduction
前面介紹過了多種梯度下降的方法,當數據規模比較小時,我們可以使用這些方法計算在所有數據上的梯度並進行更新迭代。而當數據規模比較大時,每次計算所有數據梯度的開銷將會非常巨大。由於隨機梯度下降可以大大減小計算開銷,因此常用於大規模數據優化中。
隨機梯度下降
考慮這樣一個最優化問題
xminm1i=1∑mfi(x)
即最小化一系列函數的平均值。該問題的梯度爲∇∑i=1mfi(x)=∑i=1m∇fi(x)。常規的梯度下降就是不斷迭代:
x(k)=x(k−1)−tk⋅m1i=1∑m∇fi(x(k−1)),k=1,2,3,...
而隨機梯度下降(SGD)則是迭代:
x(k)=x(k−1)−tk⋅∇fik(x(k−1)),k=1,2,3,...
其中,ik∈{1,...,m}是在第k次迭代中被選擇的函數索引。
有兩種方式選擇ik:
- 隨機方式:從取值範圍中均勻隨機選擇ik∈{1,...,m}
- 循環方式:依次選取il=1,2,...,m,1,2,...,m,...
其中,隨機方式是實踐中最常用的,對於隨機方式來說:
E[∇fik(x)]=∇f(x)
因此我們可以把SGD的每一步看做是梯度的無偏估計。
SGD將每個函數看成是獨立的,每次只優化部分函數,可以大大節省內存消耗。
例子:隨機邏輯迴歸(stochastic logistic regression)
給定(xi,yi)∈Rp×{0,1},i=1,...,n,邏輯迴歸定義爲:
βminn1i=1∑n(−yixiTβ+log(1+exp(xiTβ)))
其梯度爲∇f(β)=n1∑i=1n(yi−pi(β))xi
對於完全梯度下降來說:每次batch迭代更新的花費爲O(np),而對於SGD來說,每次隨機迭代更新的花費爲O(p)。
我們取n=10,p=2來看一下兩者收斂曲線的比較:
我們可以看到SGD在離最優點比較遠時收斂得比較快,而在接近最優點時比較難收斂到最優點。
步長的選擇
通常SGD使用遞減的步長,比如tk=1/k。如果使用固定步長,則在接近最優點時會很難繼續收斂。
收斂率
在以前的章節裏提到,對於凸函數f,使用遞減步長的梯度下降方法的收斂率爲O(1/k)。當f可微且有Lipshitz梯度時,對於合適的固定步長有O(1/k)的收斂率。那麼對於SGD如何呢?對於凸函數f,使用遞減步長的SGD的期望收斂率爲O(1/(k))。然而,與梯度下降不同的是,SGD不會隨着進一步假設f有Lipshitz梯度而提升。甚至當f是強凸時會變得更糟。
當f是強凸且有Lipshitz梯度時,梯度下降有O(γk)的收斂率,其中0<γ<1。但是相同條件下,SGD只有O(1/k)的期望收斂率。那麼有沒有什麼方法可以提升SGD呢?
小批量隨機梯度下降
常用的SGD是小批量隨機梯度下降(mini-batch stochastic gradient descent)。我們隨機選取一個子集Ik⊆{1,...,m}, ∣Ik∣=b≪m,然後重複迭代:
x(k)=x(k−1)−tk⋅b1i∈Ik∑∇fi(x(k−1)),k=1,2,3,...
使用小批量可以將方差減小1/b,但同樣要多花費b倍時間。同時收斂率也有所提升。
再次考慮上面例子中的邏輯迴歸問題,當n=10,000,p=20時,所有方法都用固定步長,可以得到:
但從總體結果來看,使用小批量隨機梯度下降並不能顯著提升總的開銷和精度。
SGD在大規模機器學習中的應用
SGD被廣泛應用於大規模機器學習(ML)中。
- 在許多ML問題中,我們往往不需要優化到很高的精度,因此固定步長常常應用於ML中
- 一個trick是在整個數據集上運行SGD之前,先在一小部分上進行訓練,從而選取合適的步長。
- 動量(mometum),自適應步長等許多SGD的變體都是實踐中常用的方法(如Adagrad,Adam等)
- SGD尤其流行於大規模、連續的非凸優化問題中
參考資料
CMU:Convex Optimization