【轉】 隨機梯度下降（Stochastic gradient descent）和 批量梯度下降（Batch gradient descent ）的公式對比、實現對比

標籤：des   blog   http   io   ar   java   for   strong   sp   

梯度下降（GD）是最小化風險函數、損失函數的一種常用方法，隨機梯度下降和批量梯度下降是兩種迭代求解思路，下面從公式和實現的角度對兩者進行分析，如有哪個方面寫的不對，希望網友糾正。

 

下面的h(x)是要擬合的函數，J(theta)損失函數，theta是參數，要迭代求解的值，theta求解出來了那最終要擬合的函數h(theta)就出來了。其中m是訓練集的記錄條數，j是參數的個數。

 

1、批量梯度下降的求解思路如下：

（1）將J(theta)對theta求偏導，得到每個theta對應的的梯度

   

（2）由於是要最小化風險函數，所以按每個參數theta的梯度負方向，來更新每個theta

（3）從上面公式可以注意到，它得到的是一個全域最優解，但是每迭代一步，都要用到訓練集所有的資料，如果m很大，那麼可想而知這種方法的迭代速度！！所以，這就引入了另外一種方法，隨機梯度下降。

 

2、隨機梯度下降的求解思路如下：

（1）上面的風險函數可以寫成如下這種形式，損失函數對應的是訓練集中每個樣本的粒度，而上面批量梯度下降對應的是所有的訓練樣本：

（2）每個樣本的損失函數，對theta求偏導得到對應梯度，來更新theta

（3）隨機梯度下降是通過每個樣本來迭代更新一次，如果樣本量很大的情況（例如幾十萬），那麼可能只用其中幾萬條或者幾千條的樣本，就已經將theta迭代到最優解了，對比上面的批量梯度下降，迭代一次需要用到十幾萬訓練樣本，一次迭代不可能最優，如果迭代10次的話就需要遍曆訓練樣本10次。但是，SGD伴隨的一個問題是噪音較BGD要多，使得SGD並不是每次迭代都向著整體最佳化方向。

 

3、對於上面的linear regression問題，與批量梯度下降對比，隨機梯度下降求解的會是最優解嗎？

（1）批量梯度下降---最小化所有訓練樣本的損失函數，使得最終求解的是全域的最優解，即求解的參數是使得風險函數最小。

（2）隨機梯度下降---最小化每條樣本的損失函數，雖然不是每次迭代得到的損失函數都向著全域最優方向， 但是大的整體的方向是向全域最優解的，最終的結果往往是在全域最優解附近。

 

 

4、梯度下降用來求最優解，哪些問題可以求得全域最優？哪些問題可能局部最優解？

對於上面的linear regression問題，最佳化問題對theta的分布是unimodal，即從圖形上面看只有一個peak，所以梯度下降最終求得的是全域最優解。然而對於multimodal的問題，因為存在多個peak值，很有可能梯度下降的最終結果是局部最優。

5、隨機梯度和批量梯度的實現差別

以前一篇博文中NMF實現為例，列出兩者的實現差別（註：其實對應python的代碼要直觀的多，以後要練習多寫python！）

 

[java] view plaincopy 

1. // 隨機梯度下降，更新參數  
2. public void updatePQ_stochastic(double alpha, double beta) {  
3.     for (int i = 0; i < M; i++) {  
4.         ArrayList<Feature> Ri = this.dataset.getDataAt(i).getAllFeature();  
5.         for (Feature Rij : Ri) {  
6.             // eij=Rij.weight-PQ for updating P and Q  
7.             double PQ = 0;  
8.             for (int k = 0; k < K; k++) {  
9.                 PQ += P[i][k] * Q[k][Rij.dim];  
10.             }  
11.             double eij = Rij.weight - PQ;  
12.   
13.             // update Pik and Qkj  
14.             for (int k = 0; k < K; k++) {  
15.                 double oldPik = P[i][k];  
16.                 P[i][k] += alpha  
17.                         * (2 * eij * Q[k][Rij.dim] - beta * P[i][k]);  
18.                 Q[k][Rij.dim] += alpha  
19.                         * (2 * eij * oldPik - beta * Q[k][Rij.dim]);  
20.             }  
21.         }  
22.     }  
23. }  
24.   
25. // 批量梯度下降，更新參數  
26. public void updatePQ_batch(double alpha, double beta) {  
27.   
28.     for (int i = 0; i < M; i++) {  
29.         ArrayList<Feature> Ri = this.dataset.getDataAt(i).getAllFeature();  
30.   
31.         for (Feature Rij : Ri) {  
32.             // Rij.error=Rij.weight-PQ for updating P and Q  
33.             double PQ = 0;  
34.             for (int k = 0; k < K; k++) {  
35.                 PQ += P[i][k] * Q[k][Rij.dim];  
36.             }  
37.             Rij.error = Rij.weight - PQ;  
38.         }  
39.     }  
40.   
41.     for (int i = 0; i < M; i++) {  
42.         ArrayList<Feature> Ri = this.dataset.getDataAt(i).getAllFeature();  
43.         for (Feature Rij : Ri) {  
44.             for (int k = 0; k < K; k++) {  
45.                 // 對參數更新的累積項  
46.                 double eq_sum = 0;  
47.                 double ep_sum = 0;  
48.   
49.                 for (int ki = 0; ki < M; ki++) {// 固定k和j之後,對所有i項加和  
50.                     ArrayList<Feature> tmp = this.dataset.getDataAt(i).getAllFeature();  
51.                     for (Feature Rj : tmp) {  
52.                         if (Rj.dim == Rij.dim)  
53.                             ep_sum += P[ki][k] * Rj.error;  
54.                     }  
55.                 }  
56.                 for (Feature Rj : Ri) {// 固定k和i之後,對多有j項加和  
57.                     eq_sum += Rj.error * Q[k][Rj.dim];  
58.                 }  
59.   
60.                 // 對參數更新  
61.                 P[i][k] += alpha * (2 * eq_sum - beta * P[i][k]);  
62.                 Q[k][Rij.dim] += alpha * (2 * ep_sum - beta * Q[k][Rij.dim]);  
63.             }  
64.         }  
65.     }  
66. }  

http://blog.csdn.net/lilyth_lilyth/article/details/8973972

【轉】 隨機梯度下降（Stochastic gradient descent）和 批量梯度下降（Batch gradient descent ）的公式對比、實現對比