梯度下降算法基本思想：梯度下降法的简单介绍以及实现

梯度下降算法基本思想：梯度下降法的简单介绍以及实现梯度是微积分中一个很重要的概念，之前提到过梯度的意义 我们可以看到，梯度就是分别对每个变量进行微分，然后用逗号分割开，梯度是用<>包括起来，说明梯度其实一个向量。 首先，我们有一个可微分的函数。这个函数就代表着一座山。我们的目标就是找到这个函数的最小值，也就是山底。根据之前的场景假设，最快的下山的方式就是找到当前位置最陡峭的方向，然后沿着此方向向下走，对应到函数中，就是找到给定点的梯度 ，然后朝着梯度相反的方向，就能让函数值下降的最快！因为梯度的方向就是函数之变化最快的方向(在后面会详细解释) 所以，我们重复利用这个方法，反复求取梯度，最后就能到达局部的最小值，这就类似于我们下山的过程。而求取梯度就确定了最陡峭的方向，也就是场景中测量方向的手段。 首先梯度是什么? 梯度实际上就是多变量微分的一般化。 下面这个例子：

梯度下降法的基本思想可以类比为一个下山的过程。假设这样一个场景：一个人被困在山上，需要从山上下来(i.e.找到山的最低点，也就是山谷)。但此时山上的浓雾很大，导致可视度很低。因此，下山的路径就无法确定，他必须利用自己周围的信息去找到下山的路径。这个时候，他就可以利用梯度下降算法来帮助自己下山。具体来说就是，以他当前的所处的位置为基准，寻找这个位置最陡峭的地方，然后朝着山的高度下降的地方走，同理，如果我们的目标是上山，也就是爬到山顶，那么此时应该是朝着最陡峭的方向往上走。然后每走一段距离，都反复采用同一个方法，最后就能成功的抵达山谷。

在这种就情况下 我们也可以假设此时周围的陡峭程度我们无法用肉眼来测量 需要一个复杂的工具来帮助我们测量 恰巧的是此人正好拥有测量最陡峭方向的能力。因此 这个人每走一段距离，都需要一段时间来测量所在位置最陡峭的方向，这是比较耗时的。那么为了在太阳下山之前到达山底，就要尽可能的减少测量方向的次数。这是一个两难的选择，如果测量的频繁，可以保证下山的方向是绝对正确的，但又非常耗时，如果测量的过少，又有偏离轨道的风险。所以需要找到一个合适的测量方向的频率，来确保下山的方向不错误，同时又不至于耗时太多！

梯度下降

梯度下降的过程就如同这个下山的场景一样。

首先，我们有一个可微分的函数。这个函数就代表着一座山。我们的目标就是找到这个函数的最小值，也就是山底。根据之前的场景假设，最快的下山的方式就是找到当前位置最陡峭的方向，然后沿着此方向向下走，对应到函数中，就是找到给定点的梯度 ，然后朝着梯度相反的方向，就能让函数值下降的最快！因为梯度的方向就是函数之变化最快的方向(在后面会详细解释) 所以，我们重复利用这个方法，反复求取梯度，最后就能到达局部的最小值，这就类似于我们下山的过程。而求取梯度就确定了最陡峭的方向，也就是场景中测量方向的手段。

首先梯度是什么?

梯度实际上就是多变量微分的一般化。 下面这个例子：

我们可以看到，梯度就是分别对每个变量进行微分，然后用逗号分割开，梯度是用<>包括起来，说明梯度其实一个向量。

梯度是微积分中一个很重要的概念，之前提到过梯度的意义

• 在单变量的函数中，梯度其实就是函数的微分，代表着函数在某个给定点的切线的斜率
• 在多变量函数中，梯度是一个向量，向量有方向，梯度的方向就指出了函数在给定点的上升最快的方向

这也就说明了为什么我们需要千方百计的求取梯度！我们需要到达山底，就需要在每一步观测到此时最陡峭的地方，梯度就恰巧告诉了我们这个方向。梯度的方向是函数在给定点上升最快的方向，那么梯度的反方向就是函数在给定点下降最快的方向，这正是我们所需要的。所以我们只要沿着梯度的方向一直走，就能走到局部的最低点！

梯度下降算法的数学解释

上面我们花了大量的篇幅介绍梯度下降算法的基本思想和场景假设，以及梯度的概念和思想。下面我们就开始从数学上解释梯度下降算法的计算过程和思想！

此公式的意义是：J是关于Θ的一个函数，我们当前所处的位置为Θ0点，要从这个点走到J的最小值点，也就是山底。首先我们先确定前进的方向，也就是梯度的反向，然后走一段距离的步长，也就是α，走完这个段步长，就到达了Θ1这个点！

• 下面就这个公式的几个常见的疑问：
• α是什么含义？ α在梯度下降算法中被称作为学习率或者步长，意味着我们可以通过α来控制每一步走的距离，以保证不要步子跨的太大扯着蛋，哈哈，其实就是不要走太快，错过了最低点。同时也要保证不要走的太慢，导致太阳下山了，还没有走到山下。所以α的选择在梯度下降法中往往是很重要的！α不能太大也不能太小，太小的话，可能导致迟迟走不到最低点，太大的话，会导致错过最低点！

• 为什么要梯度要乘以一个负号？ 梯度前加一个负号，就意味着朝着梯度相反的方向前进！我们在前文提到，梯度的方向实际就是函数在此点上升最快的方向！而我们需要朝着下降最快的方向走，自然就是负的梯度的方向，所以此处需要加上负号

• 梯度下降算法的实现

下面我们将用python实现一个简单的梯度下降算法。场景是一个简单的线性回归的例子：假设现在我们有一系列的点，如下图所示

我们将用梯度下降法来拟合出这条直线！

首先，我们需要定义一个代价函数，在此我们选用均方误差代价函数

此公示中

• m是数据集中点的个数
• ½是一个常量，这样是为了在求梯度的时候，二次方乘下来就和这里的½抵消了，自然就没有多余的常数系数，方便后续的计算，同时对结果不会有影响
• y 是数据集中每个点的真实y坐标的值
• h 是我们的预测函数，根据每一个输入x，根据Θ 计算得到预测的y值，即

我们可以根据代价函数看到，代价函数中的变量有两个，所以是一个多变量的梯度下降问题，求解出代价函数的梯度，也就是分别对两个变量进行微分

明确了代价函数和梯度，以及预测的函数形式。我们就可以开始编写代码了。但在这之前，需要说明一点，就是为了方便代码的编写，我们会将所有的公式都转换为矩阵的形式，python中计算矩阵是非常方便的，同时代码也会变得非常的简洁。

为了转换为矩阵的计算，我们观察到预测函数的形式

我们有两个变量，为了对这个公式进行矩阵化，我们可以给每一个点x增加一维，这一维的值固定为1，这一维将会乘到Θ0上。这样就方便我们统一矩阵化的计算

然后我们将代价函数和梯度转化为矩阵向量相乘的形式

三种梯度算法的代码实现

导入函数包

import numpy as np # 操作系统 import os %matplotlib inline # import matplotlib as mpl import matplotlib.pyplot as pltimport numpy as np 复制代码

批量梯度下降求解线性回归

首先，我们需要定义数据集和学习率 接下来我们以矩阵向量的形式定义代价函数和代价函数的梯度 当循环次数超过1000次，这时候再继续迭代效果也不大了，所以这个时候可以退出循环！

eta = 0.1 n_iterations = 1000 m = 100 theta = np.random.randn(2 1) for iteration in range(n_iterations): gradients = 1/m * X_b.T.dot(X_b.dot(theta) - y) theta = theta - eta*gradients theta_path_bgd = [] def plot_gradient_descent(theta eta theta_path = None): m = len(X_b) plt.plot(X y "b.") n_iterations = 1000 for iteration in range(n_iterations): if iteration < 10: y_predict = X_new_b.dot(theta) style = "b-" plt.plot(X_new y_predict style) gradients = 2/m * X_b.T.dot(X_b.dot(theta) - y) theta = theta - eta*gradients if theta_path is not None: theta_path.append(theta) plt.xlabel("$x_1$" fontsize=18) plt.axis([0 2 0 15]) plt.title(r"$\eta = {}$".format(eta) fontsize=16) np.random.seed(42) theta = np.random.randn(2 1) plt.figure(figsize=(10 4)) plt.subplot(131);plot_gradient_descent(theta eta=0.02) #一排三个 第一个 plt.ylabel("$y$" rotation=0 fontsize=18) plt.subplot(132);plot_gradient_descent(theta eta=0.1 theta_path=theta_path_bgd ) #一排三个 第二个 plt.subplot(133);plot_gradient_descent(theta eta=0.5) save_fig("gradient_descent_plot") 复制代码

随机梯度下降

theta_path_sgd = [] m = len(X_b) np.random.seed(42) n_epochs = 50 theta = np.random.randn(2 1) #随机初始化 for epoch in range(n_epochs): for i in range(m): if epoch == 0 and i < 10: y_predict = X_new_b.dot(theta) style = "b-" plt.plot(X_new y_predict style) random_index = np.random.randint(m) xi = X_b[random_index:random_index 1] yi = y[random_index:random_index 1] gradients = 2 * xi.T.dot(xi.dot(theta)-yi) eta = 0.1 theta = theta - eta * gradients theta_path_sgd.append(theta) plt.plot(x y "b.") plt.xlabel("$x_1$" fontsize = 18) plt.ylabel("$y$" rotation =0 fontsize = 18) plt.axis([0 2 0 15]) save_fig("sgd_plot") plt.show() 复制代码

小批量梯度下降

theta_path_mgd = [] n_iterations = 50 minibatch_size = 20 np.random.seed(42) theta = np.random.randn(2 1) for epoch in range(n_iterations): shuffled_indices = np.random.permutation(m) X_b_shuffled = X_b[shuffled_indices] y_shuffled = y[shuffled_indices] for i in range(0 m minibatch_size): xi = X_b_shuffled[i:i minibatch_size] yi = y_shuffled[i:i minibatch_size] gradients = 2/minibatch_size * xi.T.dot(xi.dot(theta)-yi) eta = 0.1 theta = theta-eta*gradients theta_path_mgd.append(theta) 复制代码

三者的比较图像

theta_path_bgd = np.array(theta_path_bgd) theta_path_sgd = np.array(theta_path_sgd) theta_path_mgd = np.array(theta_path_mgd) plt.figure(figsize=(7 4)) plt.plot(theta_path_sgd[: 0] theta_path_sgd[: 1] "r-s" linewidth = 1 label = "Stochastic") plt.plot(theta_path_mgd[: 0] theta_path_mgd[: 1] "g- " linewidth = 2 label = "Mini-batch") plt.plot(theta_path_bgd[: 0] theta_path_bgd[: 1] "b-o" linewidth = 3 label = "Batch") plt.legend(loc="upper left" fontsize = 16) plt.xlabel(r"$\theta_0$" fontsize=20) plt.ylabel(r"$\theta_1$" fontsize=20 rotation=0) plt.axis([2.5 4.5 2.3 3.9]) save_fig("gradients_descent_paths_plot") plt.show() 复制代码