Как стохастический градиентный спуск может сэкономить время по сравнению со стандартным градиентным спуском?

Стандартный градиентный спуск будет вычислять градиент для всего набора обучающих данных.

for i in range(nb_epochs):
  params_grad = evaluate_gradient(loss_function, data, params)
  params = params - learning_rate * params_grad

Для заранее определенного числа эпох мы сначала вычисляем вектор градиента weights_grad функции потерь для всего набора данных с нашими параметрами вектора параметров.

Stochastic Gradient Descent, напротив, выполняет обновление параметров для каждого примера обучения x (i) и метки y (i).

for i in range(nb_epochs):
  np.random.shuffle(data)
  for example in data:
    params_grad = evaluate_gradient(loss_function, example, params)
    params = params - learning_rate * params_grad

Говорят, что SGD намного быстрее. Однако я не понимаю, как это может быть намного быстрее, если у нас все еще есть цикл по всем точкам данных. Разве вычисление градиента в GD намного медленнее, чем вычисление GD для каждой точки данных в отдельности?

Код приходит отсюда .

machine-learning optimization gradient-descent computational-statistics sgd Алина
источник

Во втором случае вам понадобится небольшая партия для аппроксимации всего набора данных. Это обычно работает довольно хорошо. Таким образом, запутанная часть, вероятно, состоит в том, что похоже, что число эпох одинаково в обоих случаях, но вам не понадобится столько же эпох в случае 2. «Гиперпараметры» будут разными для этих двух методов: GD nb_epochs! = SGD nb_epochs. Допустим, в качестве аргумента: GD nb_epochs = SGD examples * nb_epochs, так что общее число циклов одинаково, но вычисление градиента происходит быстрее в SGD.

Нима Мусави

Этот ответ на резюме является хорошим и связанным.

Жубарб

Короткий ответ:

При настройке большого количества данных (скажем, нескольких миллионов точек данных) расчет стоимости или градиента занимает очень много времени, потому что нам необходимо суммировать по всем точкам данных.
Нам НЕ нужно иметь точный градиент, чтобы уменьшить стоимость в данной итерации. Некоторое приближение градиента будет работать хорошо.
Стохастический градиент достойного (SGD) аппроксимирует градиент, используя только одну точку данных. Таким образом, оценка градиента экономит много времени по сравнению с суммированием по всем данным.
При «разумном» количестве итераций (это число может составлять пару тысяч и намного меньше, чем число точек данных, которые могут быть миллионами), приличный стохастический градиент может получить разумное хорошее решение.

Длинный ответ:

Мое обозначение следует за курсом обучения Эндрю Н.Г. Если вы не знакомы с ним, вы можете просмотреть серию лекций здесь .

Давайте предположим регрессию на квадрате потерь, функция стоимости

\begin{aligned} J (θ) знак равно \frac{1}{2 м} Σ_{я знак равно 1}^{м} ({час}_{θ} ({Икс}^{(я)}) - Y^{(я)})^{2} \end{aligned}

$\begin{align} J(\theta)= \frac 1 {2m} \sum_{i=1}^m (h_{\theta}(x^{(i)})-y^{(i)})^2 \end{align}$

и градиент

\begin{aligned} \frac{d J (θ)}{d θ} знак равно \frac{1}{м} Σ_{я знак равно 1}^{м} ({час}_{θ} ({Икс}^{(я)}) - Y^{(я)}) {Икс}^{(я)} \end{aligned}

$\begin{align} \frac {d J(\theta)}{d \theta}= \frac 1 {m} \sum_{i=1}^m (h_{\theta}(x^{(i)})-y^{(i)})x^{(i)} \end{align}$

для градиента достойного (GD), мы обновляем параметр

\begin{aligned} θ_{N е вес} & знак равно θ_{о L d} - α \frac{1}{м} Σ_{я знак равно 1}^{м} ({час}_{θ} ({Икс}^{(я)}) - Y^{(я)}) {Икс}^{(я)} \end{aligned}

$\begin{align} \theta_{new} &=\theta_{old} - \alpha \frac 1 {m} \sum_{i=1}^m (h_{\theta}(x^{(i)})-y^{(i)})x^{(i)} \end{align}$

$1/m$ $x^{(i)},y^{(i)}$

\begin{aligned} θ_{N е вес} знак равно θ_{о L d} - α \cdot ({час}_{θ} ({Икс}^{(я)}) - Y^{(я)}) {Икс}^{(я)} \end{aligned}

$\begin{align} \theta_{new}=\theta_{old} - \alpha \cdot (h_{\theta}(x^{(i)})-y^{(i)})x^{(i)} \end{align}$

Вот почему мы экономим время:

Предположим, у нас есть 1 миллиард точек данных.

В GD, чтобы обновить параметры один раз, нам нужен (точный) градиент. Это требует суммирования этих 1 миллиарда точек данных для выполнения 1 обновления.
В SGD мы можем думать об этом как о попытке получить приближенный градиент вместо точного градиента . Аппроксимация исходит из одной точки данных (или нескольких точек данных, называемых мини-пакетами). Поэтому в SGD мы можем очень быстро обновить параметры. Кроме того, если мы «зациклим» все данные (называемые одной эпохой), у нас фактически будет 1 миллиард обновлений.

Хитрость в том, что в SGD вам не нужно иметь 1 миллиард итераций / обновлений, а гораздо меньше итераций / обновлений, скажем, 1 миллион, и у вас будет «достаточно хорошая» модель для использования.

Я пишу код для демонстрации идеи. Сначала мы решаем линейную систему с помощью нормального уравнения, а затем решаем ее с помощью SGD. Затем мы сравниваем результаты в терминах значений параметров и конечных значений целевой функции. Чтобы визуализировать это позже, у нас будет 2 параметра для настройки.

set.seed(0);n_data=1e3;n_feature=2;
A=matrix(runif(n_data*n_feature),ncol=n_feature)
b=runif(n_data)
res1=solve(t(A) %*% A, t(A) %*% b)

sq_loss<-function(A,b,x){
  e=A %*% x -b
  v=crossprod(e)
  return(v[1])
}

sq_loss_gr_approx<-function(A,b,x){
  # note, in GD, we need to sum over all data
  # here i is just one random index sample
  i=sample(1:n_data, 1)
  gr=2*(crossprod(A[i,],x)-b[i])*A[i,]
  return(gr)
}

x=runif(n_feature)
alpha=0.01
N_iter=300
loss=rep(0,N_iter)

for (i in 1:N_iter){
  x=x-alpha*sq_loss_gr_approx(A,b,x)
  loss[i]=sq_loss(A,b,x)
}

Результаты:

as.vector(res1)
[1] 0.4368427 0.3991028
x
[1] 0.3580121 0.4782659

$124.1343$ $123.0355$

Вот значения функции стоимости за итерации, мы можем видеть, что она может эффективно уменьшить потери, что иллюстрирует идею: мы можем использовать подмножество данных для аппроксимации градиента и получения «достаточно хороших» результатов.

$1000$ sq_loss_gr_approx $300$ $1000$

Хайтау Ду
источник

Я думал, что аргумент о «скорости» больше о том, сколько операций / итераций необходимо, чтобы сходиться к локальному оптимуму? (А также тот случайный градиентный спуск имеет тенденцию сходиться к лучшей оптиме.)

GeoMatt22

Насколько я понял, в коде Python, который я предоставил, переменная "data" - то же самое. Мини-пакетный градиент приличный - код отличается от SDG (и именно там он использует только небольшую часть данных). Кроме того, в предоставленном вами объяснении, хотя мы избавляемся от суммы в SDG, мы по-прежнему вычисляем обновление для каждой точки данных. Я до сих пор не понимаю, как обновление параметра во время цикла по каждой точке данных происходит быстрее, чем просто взять сумму по всем точкам данных одновременно.

Алина

@ GeoMatt22 В предоставленной мною ссылке говорится: «С другой стороны, это в конечном итоге усложняет сближение до точного минимума, поскольку SGD будет продолжать превышать допустимые пределы». Это означает, что это не сходится к лучшей оптиме. Или я ошибся?

Алина

@ Тоня Я не эксперт, но, например, эта очень влиятельная статья в области глубокого обучения дает аргумент «более быстрое и надежное обучение» для стохастического градиентного спуска. Обратите внимание, что он не использует «сырую» версию, но использует различные оценки кривизны для установки (зависящей от координат) скорости обучения.

GeoMatt22

@ Тоня, да. любое «слабое» приближение градиента будет работать. Вы можете проверить «повышение градиента», что является аналогичной идеей. С другой стороны, я пишу код для демонстрации идеи. Я опубликую это, когда это будет готово.

Haitao Du

Как стохастический градиентный спуск может сэкономить время по сравнению со стандартным градиентным спуском?

Ответы: