梯度下降的三种形式
2016-06-14 09:56
204 查看
1、批量梯度下降法BGD
批量梯度下降法(Batch Gradient Descent,简称BGD)是梯度下降法最原始的形式,它的具体思路是在更新每一参数时都使用所有的样本来进行更新。
优点:全局最优解;易于并行实现;
缺点:当样本数目很多时,训练过程会很慢。
2、随机梯度下降法SGD
随机梯度下降是通过每个样本来迭代更新一次,如果样本量很大的情况(例如几十万),那么可能只用其中几万条或者几千条的样本,就已经将theta迭代到最优解了,对比上面的批量梯度下降,迭代一次需要用到十几万训练样本,一次迭代不可能最优,如果迭代10次的话就需要遍历训练样本10次。但是,SGD伴随的一个问题是噪音较BGD要多,使得SGD并不是每次迭代都向着整体最优化方向。
优点:训练速度快;
缺点:准确度下降,并不是全局最优;不易于并行实现。
3、小批量梯度下降法MBGD
有上述的两种梯度下降法可以看出,其各自均有优缺点,那么能不能在两种方法的性能之间取得一个折衷呢?即,算法的训练过程比较快,而且也要保证最终参数训练的准确率,而这正是小批量梯度下降法(Mini-batch Gradient Descent,简称MBGD)的初衷。
批量梯度下降法(Batch Gradient Descent,简称BGD)是梯度下降法最原始的形式,它的具体思路是在更新每一参数时都使用所有的样本来进行更新。
优点:全局最优解;易于并行实现;
缺点:当样本数目很多时,训练过程会很慢。
2、随机梯度下降法SGD
随机梯度下降是通过每个样本来迭代更新一次,如果样本量很大的情况(例如几十万),那么可能只用其中几万条或者几千条的样本,就已经将theta迭代到最优解了,对比上面的批量梯度下降,迭代一次需要用到十几万训练样本,一次迭代不可能最优,如果迭代10次的话就需要遍历训练样本10次。但是,SGD伴随的一个问题是噪音较BGD要多,使得SGD并不是每次迭代都向着整体最优化方向。
优点:训练速度快;
缺点:准确度下降,并不是全局最优;不易于并行实现。
3、小批量梯度下降法MBGD
有上述的两种梯度下降法可以看出,其各自均有优缺点,那么能不能在两种方法的性能之间取得一个折衷呢?即,算法的训练过程比较快,而且也要保证最终参数训练的准确率,而这正是小批量梯度下降法(Mini-batch Gradient Descent,简称MBGD)的初衷。
相关文章推荐
- Rosenblatt感知器详解
- 机器学习中牛顿法/梯度下降法
- 牛顿下降法和梯度下降法(最速下降法)的速度的比较
- 无约束问题的最优化方法
- 逻辑回归详谈
- 对李航统计学习方法中附录A 梯度下降法总结
- 切向量,法向量,梯度
- 圆柱形管道流量的多元线性回归分析
- 最小二乘法以及最小二乘法和梯度下降法的区别
- 梯度下降法详解
- 理解梯度下降法
- 机器学习中常见的几种最优化方法
- 四元数姿态的梯度下降法推导和解读
- [机器学习]逻辑回归公式推导及其梯度下降法的Python实现
- 四元数姿态的梯度下降法推导和解读
- 梯度下降法与牛顿法
- logisitic 回归 +极大似然法 + 梯度下降法 (迭代优化)
- 梯度下降法——批量和随机
- 神经网络学习笔记(三) 梯度下降法
- 神经网络与深度学习(4)