深度学习教程(6) ｜ 神经网络优化算法（吴恩达·完整版）

  新闻资讯     |      2024-06-10 07:18
本节介绍深度神经网络中的一些优化算法，使用这些技巧和方法来提高神经网络的训练速度和精度：batch、mini-batch、Stochastic gradient descent，指数加权平均和偏移校正，动量梯度下降、RMSprop和Adam算法，学习率衰减法，局部最优的概念及结论。


本系列为吴恩达老师《深度学习专项课程(Deep Learning Specialization)》学习与总结整理所得，对应的课程视频可以在这里查看。

在ShowMeAI前一篇文章 深度学习的实用层面 中我们对以下内容进行了介绍：

  • Train / Dev / Test sets的切分和比例选择
  • Bias和Variance的相关知识
  • 防止过拟合的方法：L2正则化和Dropout
  • 规范化输入以加快梯度下降速度和精度
  • 梯度消失和梯度爆炸的原因及处理方法
  • 梯度检查

本篇内容展开介绍深度神经网络中的一些优化算法，通过使用这些技巧和方法来提高神经网络的训练速度和精度。

Batch梯度下降法(批梯度下降法)是最常用的梯度下降形式，它是基于整个训练集的梯度下降算法，在更新参数时使用所有的样本来进行更新。

对整个训练集进行梯度下降法的时候，我们必须处理整个训练数据集，然后才能进行一步梯度下降，即每一步梯度下降法需要对整个训练集进行一次处理，如果训练数据集很大的时候，处理速度就会比较慢。

但是如果每次处理训练数据的一部分，基于这个子集进行梯度下降法，算法迭代速度会更快。而处理的这些一小部分训练子集即称为Mini-Batch，这个算法也就是我们说的Mini-Batch梯度下降法。

Mini-Batch梯度下降法(小批量梯度下降法)每次同时处理单个的Mini-Batch，其他与Batch梯度下降法一致。

使用Batch梯度下降法，对整个训练集的一次遍历只能做一个梯度下降；而使用Mini-Batch梯度下降法，对整个训练集的一次遍历(称为一个epoch)能做Mini-Batch个数个梯度下降。之后，可以一直遍历训练集，直到最后收敛到一个合适的精度。

Batch梯度下降法和Mini-Batch梯度下降法代价函数的变化趋势如上图所示：

  • 使用Batch gradient descent，随着迭代次数增加，cost是不断减小的。
  • 使用Mini-batch gradient descent，随着在不同的mini-batch上迭代训练，cost并不是单调下降，而是振荡下降的，最终也能得到较低的cost值。出现细微振荡的原因是不同的mini-batch之间是有差异的。例如可能第一个子集(X^{\\{1\\}},Y^{\\{1\\}})是好的子集，而第二个子集(X^{\\{2\\}},Y^{\\{2\\}})包含了一些噪声noise。出现细微振荡是正常的。


我们在训练神经网络的时候，使用mini-batch gradient descent，经常要指定一个batch批次的样本数量。而不同的batch大小会影响训练的过程，其中有2个特例，mini-batch gradient descent会退化为不同的算法：

  • Mini-Batch的大小为1，即是随机梯度下降法(stochastic gradient descent)，每个样本都是独立的Mini-Batch。
  • Mini-Batch的大小为m(数据集大小)，即是Batch梯度下降法。

如上图，我们对比一下Batch gradient descent和Stachastic gradient descent的梯度下降曲线。

  • 图中蓝色的线代表Batch gradient descent。Batch gradient descent会比较平稳地接近全局最小值，但是因为使用了所有m个样本，每次前进的速度有些慢。
  • 图中紫色的线代表Stochastic gradient descent。Stochastic gradient descent每次前进速度很快，但是路线曲折，有较大的振荡，最终会在最小值附近来回波动，难以真正达到最小值处。而且在数值处理上就不能使用向量化的方法来提高运算速度。
  • 对所有 m 个训练样本执行一次梯度下降，每一次迭代时间较长，训练过程慢。
  • 相对噪声低一些，幅度也大一些。
  • 成本函数总是向减小的方向下降。
  • 对每一个训练样本执行一次梯度下降，训练速度快，但丢失了向量化带来的计算加速。
  • 有很多噪声，减小学习率可以适当。
  • 成本函数总体趋势向全局最小值靠近，但永远不会收敛，而是一直在最小值附近波动。

实际使用中，batch size不能设置得太大（会倾向于Batch gradient descent），也不能设置得太小（倾向于Stochastic gradient descent）。

选择一个 1<size<m 的合适的大小进行Mini-Batch梯度下降，可以实现快速学习，也应用了向量化带来的好处，且成本函数的下降处于前两者之间。

mini-batch gradient descent的梯度下降曲线如图绿色曲线所示，每次前进速度较快，且振荡较小，基本能接近全局最小值。


吴恩达老师也给出了一些关于batch大小选择的经验：

  • 训练样本量小（如m \\le 2000），选择Batch梯度下降法。
  • 训练样本量大，选择Mini-Batch梯度下降法。
  • 与计算机的信息存储方式相适应，代码在Batch大小为2的幂次时运行要快一些，典型的大小为2^6、2^7、…、2^9。
  • Batch的大小要匹配CPU/GPU内存。

Batch的大小是重要的超参数，需要根据经验快速尝试，找到能够最有效地减少成本函数的值。


前面提到了batch大小的选择方法，当我们确定batch大小后，在应用mini-batch梯度下降算法时，可以通过以下方式获得1个Batch的数据：

  • 将数据集打乱
  • 按照既定的大小分割数据集

其中打乱数据集的代码：

# 获得样本数量
m = X.shape[1] 
# 对m个样本进行乱序
permutation = list(np.random.permutation(m))
# 取出洗牌之后的样本特征和标签
shuffled_X = X[:, permutation]
shuffled_Y = Y[:, permutation].reshape((1,m))

（上述python代码使用到numpy工具库，想了解更多的同学可以查看ShowMeAI的 图解数据分析 系列中的numpy教程，也可以通过ShowMeAI制作的 numpy速查手册 快速了解其使用方法）


代码解读：np.random.permutation 与 np.random.shuffle 有两处不同：

  • 如果传给permutation
    一个矩阵，它会返回一个洗牌后的矩阵副本；而shuffle
    只是对一个矩阵进行洗牌，没有返回值。
  • 如果传入一个整数，它会返回一个洗牌后的arange。


在进一步讲解优化算法之前，我们来对数学标记做一个统一和说明：

  • 我们使用小括号上标i表示训练集里的值，x^{(i)}是第i个训练样本。
  • 我们使用中括号上标l表示神经网络的层数，z^{[l]}表示神经网络中第l层的z值。
  • 我们使用上标t来代表不同的Batch数据，即X^{t}、Y^{t}。

下面我们将介绍指数加权平均（Exponentially weighted averages）的概念。

举个例子，记录半年内伦敦市的气温变化，并在二维平面上绘制出来，如下图所示：

看上去，温度数据似乎有noise，而且抖动较大。如果我们希望看到半年内气温的整体变化趋势，可以通过「移动平均」（moving average）的方法来对每天气温进行平滑处理。


例如我们可以设V_0=0，当成第0天的气温值。

第一天的气温与第0天的气温有关：

V_1=0.9V_0+0.1\ heta_1

第二天的气温与第一天的气温有关：

\\begin{aligned}V_2 &=0.9V_1+0.1\ heta_2\\\\ &=0.9(0.9V_0+0.1\ heta_1)+0.1\ heta_2\\\\ &=0.9^2V_0+0.9\\cdot0.1\ heta_1+0.1\ heta_2 \\end{aligned}

第三天的气温与第二天的气温有关：

\\begin{aligned}V_3 &=0.9V_2+0.1\ heta_3\\\\ &=0.9(0.9^2V_0+0.9\\cdot0.1\ heta_1+0.1\ heta_2)+0.1\ heta_3\\\\ &=0.9^3V_0+0.9^2\\cdot 0.1\ heta_1+0.9\\cdot 0.1\ heta_2+0.1\ heta_3 \\end{aligned}

即第t天与第t-1天的气温迭代关系为：


经过「移动平均」（moving average）处理得到的气温如下图红色曲线所示：

这种滑动平均算法称为指数加权平均（exponentially weighted average）。根据前面的例子，我们可以看到它的推导公式一般形式为：V_t=\\beta V_{t-1}+(1-\\beta)\ heta_t。

其中指数加权平均的天数由\\beta值决定，近似表示为\\frac{1}{1-\\beta}。上面的例子中：

  • 当\\beta=0.9，则\\frac{1}{1-\\beta}=10，表示将前10天进行指数加权平均。
  • 当\\beta=0.98，则\\frac{1}{1-\\beta}=50，表示将前50天进行指数加权平均。

\\beta值越大，则指数加权平均的天数越多，平均后的趋势线就越平缓，但是同时也会向右平移。上图中绿色曲线和橙色曲线分别表示了\\beta=0.98和\\beta=0.5时，指数加权平均的结果。


公式解释：
这里的\\frac{1}{1-\\beta}是怎么来的呢？就标准数学公式来说，指数加权平均算法跟之前所有天的数值都有关系。
但是指数是衰减的，一般认为衰减到\\frac1e就可以忽略不计了。因此，根据之前的推导公式，我们只要证明\\beta^{\\frac{1}{1-\\beta}}=\\frac1e就好了。
令\\frac{1}{1-\\beta}=N，N>0，则\\beta=1-\\frac{1}{N}，\\frac1N。即证明转化为
显然，当N>>0时，上述等式是近似成立的。这就简单解释了为什么指数加权平均的天数的计算公式为\\frac{1}{1-\\beta}。

综上，指数加权平均(Exponentially Weight Average)是一种常用的序列数据处理方式，计算公式为：

S_t=\\begin{cases}Y_1, &t=1 \\\\ \\beta S_{t-1}+ (1-\\beta)Y_t, &t > 1 \\end{cases}

其中Y_t为t下的实际值，S_t为t下加权平均后的值，\\beta为权重值。

指数加权平均数在统计学中被称为“指数加权移动平均值”。


我们将指数加权平均公式的一般形式写下来：

\\begin{aligned}V_t &=\\beta V_{t-1}+(1-\\beta)\ heta_t\\\\ &=(1-\\beta)\ heta_t+(1-\\beta)\\cdot\\beta\\cdot\ heta_{t-1}+(1-\\beta)\\cdot \\beta^2\\cdot\ heta_{t-2}+\\cdots+(1-\\beta)\\cdot \\beta^{t-1}\\cdot \ heta_1+\\beta^t\\cdot V_0 \\end{aligned}

观察上述推导得到的计算公式，其中：

  • \ heta_t,\ heta_{t-1},\ heta_{t-2},...,\ heta_1是原始数据值。
  • (1-\\beta),(1-\\beta)\\beta,(1-\\beta)\\beta^2,...,(1-\\beta)\\beta^{t-1}是类似指数曲线，从右向左，呈指数下降的。

如果我们把每个时间点的\ heta和衰减指数写成向量形式，则最终指数加权平均结果V_t相当于两者的点乘。将原始数据值与衰减指数点乘，相当于做了指数衰减，随距离越远衰减越厉害（注意到\\beta小于1），有如下结论：

  • 离得越近的数据点，影响越大，离得越远的数据点，影响越小。

当\\beta=0.9时，

v_{100}=0.9v_{99}+ 0.1 \ heta_{100}

v_{99}=0.9v_{98}+ 0.1 \ heta_{99}

v_{98}=0.9v_{97}+ 0.1 \ heta_{98}

展开：

v_{100}=0.1 \ heta_{100}+ 0.1 * 0.9 \ heta_{99}+ 0.1 *{(0.9)}^2 \ heta_{98}+ \\dots

其中，\ heta_i指第i天的实际数据。所有\ heta前面的系数(不包括0.1)相加起来为1或者接近于1，这些系数被称作偏差修正(Bias Correction)。


根据函数极限的一条定理：

{\\lim_{\\beta\ o 0}}(1 - \\beta)^{\\frac{1}{\\beta}}=\\frac{1}{e}\\approx 0.368

当\\beta=0.9时，可以当作把过去10天的气温指数加权平均作为当日的气温，因为10天后权重已经下降到了当天的1/3左右。同理，当\\beta=0.98时，可以把过去50天的气温指数加权平均作为当日的气温。

因此，在计算当前时刻的平均值时，只需要前一天的平均值和当前时刻的值。

v_t=\\beta v_{t-1}+ (1 - \\beta)\ heta_t

在实际代码中，只需要不断迭代赋值更新v即可：

v :=\\beta v + (1 - \\beta)\ heta_t

指数平均加权并不是最精准的计算平均数的方法，你可以直接计算过去10天或50天的平均值来得到更好的估计，但缺点是保存数据需要占用更多内存，执行更加复杂，计算成本更加高昂。

指数加权平均数公式的好处之一在于它只需要一行代码，且占用极少内存，因此效率极高，且节省成本。


当\\beta=0.98时，前面提到的气温示例，指数加权平均结果如绿色曲线。但实际上真实曲线如紫色曲线所示：

紫色曲线与绿色曲线的区别是，紫色曲线开始的时候相对较低一些。因为开始时设置v_0=0，所以初始值会相对小一些，直到后面受前面的影响渐渐变小，趋于正常。

修正这种问题的方法是进行偏移校正（bias correction），即在每次计算完v_t后，对v_t进行下式处理：

{V_t}=\\frac{V_t}{1-\\beta^t}

换算到迭代公式中，即有v_t=\\frac{\\beta v_{t-1}+ (1 - \\beta)\ heta_t}{{1-\\beta^t}}。

观察上式：随着t的增大，\\beta的t次方趋近于0。因此当t很大的时候，偏差修正几乎没有作用，但是在前期学习可以帮助更好的预测数据。

大家已经了解了指数加权平均，现在我们回到神经网络优化算法，介绍一下动量梯度下降算法，其速度要比传统的梯度下降算法快很多。做法是在每次训练时，计算梯度的指数加权平均数，并利用该值来更新权重W和常数项b。

具体过程为：for l=1, .. , L

v_{dW^{[l]}}=\\beta v_{dW^{[l]}}+ (1 - \\beta) dW^{[l]}

v_{db^{[l]}}=\\beta v_{db^{[l]}}+ (1 - \\beta) db^{[l]}

W^{[l]}:=W^{[l]}- \\alpha v_{dW^{[l]}}

b^{[l]}:=b^{[l]}- \\alpha v_{db^{[l]}}

其中，将动量衰减参数\\beta设置为0.9是超参数的一个常见且效果不错的选择。当\\beta被设置为0时，显然就成了Batch梯度下降法。


我们用下图来对比一下优化算法的优化过程

图中：

  • 蓝色曲线：使用一般的梯度下降的优化过程，由于存在上下波动，减缓了梯度下降的速度，因此只能使用一个较小的学习率进行迭代。
  • 紫色曲线：使用一般梯度下降+较大的学习率，结果可能偏离函数的范围。
  • 红色曲线：使用动量梯度下降，通过累加过去的梯度值来减少抵达最小值路径上的波动，加速了收敛，因此在横轴方向下降得更快。

当前后梯度方向一致时，动量梯度下降能够加速学习；而前后梯度方向不一致时，动量梯度下降能够抑制震荡。

另外，在10次迭代之后，移动平均已经不再是一个具有偏差的预测。因此实际在使用梯度下降法或者动量梯度下降法时，不会同时进行偏差修正。

补充：在其它文献资料中，动量梯度下降还有另外一种写法：
V_{dW}=\\beta V_{dW}+dW
V_{db}=\\beta V_{db}+db
即消去了dW和db前的系数(1-\\beta)。这样简化了表达式，但是学习因子\\alpha相当于变成了\\frac{\\alpha}{1-\\beta}，表示\\alpha也受\\beta的影响。从效果上来说，这种写法也是可以的，但是不够直观，且调参涉及到\\alpha，不够方便。所以，实际应用中，推荐第一种动量梯度下降的表达式。

将成本函数想象为一个碗状，从顶部开始运动的小球向下滚，其中dw，db想象成球的加速度；而v_{dw}、v_{db}相当于速度。

小球在向下滚动的过程中，因为加速度的存在速度会变快，但是由于\\beta的存在，其值小于1，可以认为是摩擦力，所以球不会无限加速下去。

RMSProp(Root Mean Square Propagation，均方根传播)是另外一种优化梯度下降速度的算法，它在对梯度进行指数加权平均的基础上，引入平方和平方根。具体过程为(省略了l)：

s_{dw}=\\beta s_{dw}+ (1 - \\beta)(dw)^2

s_{db}=\\beta s_{db}+ (1 - \\beta)(db)^2

w :=w - \\alpha \\frac{dw}{\\sqrt{s_{dw}+ \\epsilon}}

b :=b - \\alpha \\frac{db}{\\sqrt{s_{db}+ \\epsilon}}

其中，\\varepsilon是一个实际操作时加上的较小数(例如10^{-8})，为了防止分母太小而导致的数值不稳定。

如图所示，蓝色轨迹代表初始的移动，可以看到在b方向上走得比较陡峭(即db较大)，相比起来dw较小，这影响了优化速度。

因此，在采用RMSProp算法后，由于(dw)^2较小、(db)^2较大，进而s_{dw}也会较小、s_{db}也会较大，最终使得\\frac{dw}{\\sqrt{s_{dw}+ \\varepsilon}}较大，而\\frac{db}{\\sqrt{s_{db}+ \\varepsilon}}较小。后面的更新就会像绿色轨迹一样，明显好于蓝色的更新曲线。RMSProp减小某些维度梯度更新波动较大的情况，使下降速度变得更快。

RMSProp有助于减少抵达最小值路径上的摆动，并允许使用一个更大的学习率\\alpha，从而加快算法学习速度。并且，它和Adam优化算法已被证明适用于不同的深度学习网络结构。

注意，\\beta也是一个超参数。

对比原始梯度下降与RMSProp算法优化过程，如下图所示（上方为原始梯度下降，下方为RMSProp）

Adam (Adaptive Moment Estimation，自适应矩估计)算法结合了动量梯度下降算法和RMSprop算法，通常有超越二者单独时的效果。具体过程如下(省略了l)：

首先进行初始化：

v_{dW}=0, s_{dW}=0, v_{db}=0, s_{db}=0


用每一个Mini-Batch计算dW、db，第t次迭代时：

v_{dW}=\\beta_1 v_{dW}+ (1 - \\beta_1) dW

v_{db}=\\beta_1 v_{db}+ (1 - \\beta_1) db

s_{dW}=\\beta_2 s_{dW}+ (1 - \\beta_2){(dW)}^2

s_{db}=\\beta_2 s_{db}+ (1 - \\beta_2){(db)}^2


一般使用Adam算法时需要计算偏差修正：

v^{corrected}_{dW}=\\frac{v_{dW}}{1-{\\beta_1}^t}

v^{corrected}_{db}=\\frac{v_{db}}{1-{\\beta_1}^t}

s^{corrected}_{dW}=\\frac{s_{dW}}{1-{\\beta_2}^t}

s^{corrected}_{db}=\\frac{s_{db}}{1-{\\beta_2}^t}


所以，更新W、b时有：

W :=W - \\alpha \\frac{v^{corrected}_{dW}}{{\\sqrt{s^{corrected}_{dW}}+ \\varepsilon}}

b :=b - \\alpha \\frac{v^{corrected}_{db}}{{\\sqrt{s^{corrected}_{db}}+ \\varepsilon}}

Adam优化算法有很多的超参数，其中

  • 学习率\\alpha：需要尝试一系列的值，来寻找比较合适的
  • \\beta_1：常用的缺省值为0.9
  • \\beta_2：Adam算法的作者建议为0.999
  • \\varepsilon：不重要，不会影响算法表现，Adam算法的作者建议为10^{-8}

\\beta_1、\\beta_2、\\varepsilon通常不需要调试。

对比原始梯度下降与RMSProp算法优化过程，如下图所示（上方为原始梯度下降，下方为Adam）


减小学习率\\alpha也能有效提高神经网络训练速度，这种方法被称为学习率衰减法（learning rate decay）。

学习率衰减就是随着迭代次数增加，学习率\\alpha逐渐减小。如下图示例。

① 蓝色折线表示设置一个固定的学习率\\alpha

  • 在最小值点附近，由于不同的Batch中存在一定的噪声，因此不会精确收敛，而是始终在最小值周围一个较大的范围内波动。

② 绿色折线表示随着时间慢慢减少学习率\\alpha的大小

  • 在初期\\alpha较大时，下降的步长较大，能以较快的速度进行梯度下降；
  • 后期逐步减小\\alpha的值，即减小步长，有助于算法的收敛，更容易接近最优解。

最常用的学习率衰减方法：

\\alpha=\\frac{1}{1 + decay\\_rate \\ast epoch\\_num}\\ast \\alpha_0

其中，decay_rate为衰减率(超参数)，epoch_num为将所有的训练样本完整过一遍的次数。

  • 指数衰减：\\alpha=0.95^{epoch\\_num}\\ast \\alpha_0
  • 其他：\\alpha=\\frac{k}{\\sqrt{epoch\\_num}}\\ast \\alpha_0
  • 离散下降

对于较小的模型，也有人会在训练时根据进度手动调小学习率。

在使用梯度下降算法不断减小cost function时，可能会得到局部最优解（local optima）而不是全局最优解（global optima）。

之前我们对局部最优解的理解是形如碗状的凹槽，如图左边所示。但是在神经网络中，local optima的概念发生了变化。准确来说，大部分梯度为零的“最优点”并不是这些凹槽处，而是形如右边所示的马鞍状，称为saddle point。

所以在深度学习损失函数中，梯度为零并不能保证都是convex（极小值），也有可能是concave（极大值）。特别是在神经网络中参数很多的情况下，所有参数梯度为零的点很可能都是右边所示的马鞍状的saddle point，而不是左边那样的local optimum。

类似马鞍状的plateaus会降低神经网络学习速度。Plateaus是梯度接近于零的平缓区域，如图所示。在plateaus上梯度很小，前进缓慢，到达saddle point需要很长时间。到达saddle point后，由于随机扰动，梯度一般能够沿着图中绿色箭头，离开saddle point，继续前进，只是在plateaus上花费了太多时间。

结论：

  • 在训练较大的神经网络、存在大量参数，并且成本函数被定义在较高的维度空间时，困在极差的局部最优中是不大可能的；
  • 鞍点附近的平稳段会使得学习非常缓慢，而这也是动量梯度下降法、RMSProp以及Adam优化算法能够加速学习的原因，它们能帮助尽早走出平稳段。