本文主要向大家介绍了机器学习入门之Machine Learning第十周笔记：大规模机器学习，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

Gradient Descent with Large Datasets

Learning With Large Datasets

在前面介绍bias-variance的时候，我们曾提到一个比较各种算法孰优孰劣的实验，结论是”it’s not who has the best algorithm that wins, it’s who has the most data.”但处理大规模的数据库时往往面临着计算问题。假设有一个数据量m=100,000,000m=100,000,000的数据库，那么在做Gradient descent时，对于每一个θj\theta_j都有 
θj:=θj?α1m∑i=1m(hθ(x(i))?y(i))x(i)j\theta_j:=\theta_j - \alpha\frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})x_j^{(i)} 
其中的求和要进行m=100,000,000m=100,000,000次，如果模型中有n=1000n=1000个特征，进行一次迭代的计算量将是O(1011)O(10^11)，整个算法的训练将耗费大量的时间。现在我们使用training set的一个很小的子集去训练模型，看看这样是否会收到好的效果。下图中给出了Jtrain(θ)J_{train}(\theta)和Jcv(θ)J_{cv}(\theta)随m取值变化的图像，如果在小的子集上训练得来的Jcv(θ)J_{cv}(\theta)比Jtrain(θ)J_{train}(\theta)还大得多，那增大training set会继续改善模型；如果在小的子集上得来的Jcv(θ)J_{cv}(\theta)和Jtrain(θ)J_{train}(\theta)已经基本相当，那我们就没有必要再去增大training set了。（具体原因可查看第六周的bias-variance）

Stochastic Gradient Descent

以线性回归的梯度下降过程为例来介绍随机梯度下降（stochastic gradient descent）。下图给出了线性回归的hypothesis、损失函数和梯度下降过程：

现在面临的问题是，m值得特别大导致θj\theta_j的每一次更新需要花费高昂的计算开销和内存开销，而且往往需要递归很多次才能得到一个好的hypothesis。例如，m=300,000,000m=300,000,000（美国人口的数量），计算一次θj\theta_j就需要300,000,000次的加减运算。我们将这样的原始梯度下降法称为批量梯度下降（batch gradient descent）。

在随机梯度下降中，我们定义模型在数据点(x(i)x^{(i)},y(i)y^{(i)})的损失为 
cost(θ,(x(i),y(i)))=12(hθ(x(i))?y(i))2cost(\theta,(x^{(i)},y^{(i)})) = \frac{1}{2}(h_{\theta}(x^{(i)}) - y^{(i)})^2 
那么模型在training set上的损失函数变为 
Jtrain(θ)=1m∑i=1mcost(θ,(x(i),y(i)))J_{train}(\theta) = \frac{1}{m}\sum_{i=1}^{m}cost(\theta,(x^{(i)},y^{(i)})) 
下图中给出了随机梯度下降的步骤。第一步要做的就是随机重排序你的training set。第二步就是迭代，迭代的内容是依次在每个个数据点上改进参数θ\theta。注意，此处与批量梯度下降的不同在于，批量梯度下降的参数θ\theta的每次改进都是在所有的数据点上，而随机梯度下降的参数θ\theta的每次改进则是在一个数据点上的。差别在于，批量梯度下降的每次改进都是基于整个training set做的，因此每次改进都是奔着全局最优去的，但计算开销太大；而随机梯度下降的每次改进是基于某个数据点做的，计算开销小，不能保证每次改进都是奔着全局最优去的，但总体方向仍然是全局最优。下图右侧图中有两种方式的迭代路线示意，批量梯度下降是红色所示（大半被遮住了），直奔全局最优；而随机梯度下降是粉色所示，可能要经过很多次参数改进（没关系，每次更新代价小，其实更快）才能达到最优。总体来讲，随机梯度下降比较快，且精度不比批量梯度下降差。

Mini-Batch Gradient Descent

前面我们提到，批量梯度下降对参数θ\theta的每次改进都是基于整个training set做的，而随机梯度下降对参数的改进都是基于某一个数据点做的。那么，我们为什么不可以做一个折中呢？这就引出了mini-batch gradient descent，其对θ\theta的改进是在b（b=2~100）个数据点上做的，这样既保证每次改进基本上都是向着全局最优的方向，又有了比较快的速度。下图给出了在一个m=1000的training set上做mini-btach gradient descent的过程：

Stochastic Gradient Descent Convergence

折一小节我们来介绍判断随机梯度下降是否收敛的技巧。前面我们说用cost(θ,(x(i),y(i)))cost(\theta,(x^{(i)},y^{(i)}))来表示hypothesis在数据点(x(i),y(i))(x^{(i)},y^{(i)})处的损失，现在我们计算随机梯度下降每改进θ\theta1000次（用到了1000个数据点），hypothesis在这1000个数据点上平均损失，然后观察其变化情况。下图给出了这个平均损失随迭代次数的变化情况。左上的图像中蓝色线和红色线分别表示一个大的learning rate和一个小的learning rate对这个θ\theta每改进1000次的平均损失变化的影响。右上的图像中蓝色线和红色线分别表示θ\theta每改进1000次计算一次平均损失和θ\theta每改进5000次计算一次平均损失的区别（5000的对应的图像更平滑）。左下图像的蓝色线表示θ\theta每改进1000次计算一次的平均损失随迭代次数的变化情况，此时我们发现算法好像不收敛，改成θ\theta每改进5000次计算一次平均损失，再绘制图像（图中红色线）可能就会发现，算法在慢慢收敛。若发现更改后图像如图中粉色线所示，那说明这个算法应该不适用，我们需要考虑其他的算法了。如果图像如右下所示，呢就应该换一个小的learning rate。

另外，在随机梯度下降的过程中，我们可以使用一个变化的learning rate，计算公式如下： 
α=const1iterationNumber+const2\alpha = \frac{const1}{iterationNumber + const2} 
其中const1和const2是固定值，iterationNumber是迭代次数（也就是θ\theta的改进次数）。一个好的收敛过程应该是类似于下图这样的：

Advanced Topics

最后两小节正在整理中，稍后上传

Online Learning

Map Reduce and Data Paralism
        
            $(function () {
                $(‘pre.prettyprint code‘).each(function () {
                    var lines = $(this).text().split(‘\n‘).length;
                    var $numbering = $(‘

• ‘).addClass(‘pre-numbering‘).hide();




•                     $(this).addClass(‘has-numbering‘).parent().append($numbering);




•                     for (i = 1; i <= lines; i++) {




•                         $numbering.append($(‘

• ‘).text(i));
                      };
                      $numbering.fadeIn(1700);
                  });
              });
  

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！