什么是神經(jīng)網(wǎng)絡(luò)—終于把梯度下降搞明白了！
什么是梯度下降？
梯度下降是一種用于優(yōu)化目標函數(shù)的迭代算法。
什么是目標函數(shù)？
就是損失函數(shù)，損失函數(shù)（Loss Function）是在機器學(xué)習(xí)和深度學(xué)習(xí)中廣泛使用的一個概念。它主要用于衡量模型的預(yù)測結(jié)果與實際結(jié)果之間的差異程度。簡單來說，損失函數(shù)的值越小，說明模型的預(yù)測越準確。
例如，在一個回歸問題（比如預(yù)測房價）中，常用的損失函數(shù)是均方誤差（MSE）。假設(shè)真實房價是y ，模型預(yù)測的房價是y^，均方誤差損失函數(shù)可以表示為：
這里n是樣本數(shù)量。該函數(shù)通過計算每個樣本預(yù)測值和真實值差的平方的平均值，來衡量整體的誤差。我們的目標就是使得誤差降到最低，使預(yù)測值無限接近真實值，所以我們使用梯度下降來做到這一步。
梯度下降如何優(yōu)化損失函數(shù)？
舉個例子來說明這一步，假設(shè)我們需要擬合一條直線，這條直線的橫坐標是體重，縱坐標是身高，如下所示（綠色的點是數(shù)據(jù)點，綠色的線是我們要擬合的線）：
這條直線的方程是y=w*x+b，三個數(shù)據(jù)坐標點的分別是(0.5,0.8),(2.5,2),(3,3)。我們先求出損失函數(shù)，這個損失函數(shù)才是我們要優(yōu)化的參數(shù)。我們使用MSE作為損失函數(shù)。
得到損失函數(shù)Loss=((0.8-w*0.5-b)平方+(2-w*2.5-b)平方+(3-w*3-b)平方)/3。
我們可以看到損失函數(shù)Loss就是關(guān)于w和b兩個參數(shù)的函數(shù)。我們將Loss函數(shù)的圖像畫出來如下圖所示：
上面的圖片中x軸是w，y軸是b，z軸是Loss。我們要找的就是Loss處于最低點處的w和b的值。
那我們怎么找呢？
就要使用梯度下降。梯度就是導(dǎo)數(shù)，就是參數(shù)在某一點的變化率，在曲線上可以反映為某一點的切線。對于多元函數(shù)來說，梯度就是一個向量，它包含了函數(shù)對各個向量的偏導(dǎo)數(shù)，這個梯度的向量指向函數(shù)值增長最快的方向。我們知道導(dǎo)數(shù)為0時，函數(shù)處于極值點。所以我們沿著梯度下降就可以最快的到達損失函數(shù)極小值點。
梯度下降的做法就是損失函數(shù)分別對參數(shù)求導(dǎo)，比如說當(dāng)w為固定值時，損失函數(shù)Loss對b的函數(shù)圖像如下所示，圖片中的斜率時Loss對b的導(dǎo)數(shù)，也就是b的梯度：
當(dāng)b=0時，Loss很大，梯度(斜率)很大。
當(dāng)b=0.8時，Loss趨近最小值，梯度(斜率)很小。
由此我們可以看到，當(dāng)斜率也就是梯度很大的時候，b可以增大一點步長，以便于快速到達極值點；當(dāng)斜率也就是梯度很小的時候說明很快逼近最小值，b可以減小一點步長；所以b可以這樣更新：
b=b-（Loss對b的梯度）*學(xué)習(xí)率
梯度大的時候b就可以邁大一步，梯度小的時候b就可以邁小一步，這里學(xué)習(xí)率一般設(shè)置比較小，避免邁的步子太大直接跳過極小值點。
所以梯度下降的步驟一般如下所示：
1. 對損失函數(shù)中每個參數(shù)求導(dǎo)，也就是求梯度
2. 對參數(shù)隨機賦值
3. 將參數(shù)值帶入梯度
4. 計算步長
5. 更新參數(shù)
6. 回到步驟3重新計算，直到步長（（Loss對b的梯度）*學(xué)習(xí)率）小于設(shè)置閾值。
怎么樣？看上去很晦澀的東西是不是也沒那么難懂？是不是對梯度下降非常了解了？！
本文轉(zhuǎn)載自 ??人工智能訓(xùn)練營??，作者： 小A學(xué)習(xí)
