- 1、本文档共51页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
优化方法 */25 5、 Mini-batch Gradient Descent 其思想是:SGD就是每一次迭代计算mini-batch的梯度,然后对参数进行更新; 其中,是学习率, 是梯度,SGD完全依赖于当前batch的梯度,可理解为允许当前batch的梯度多大程度影响参数更新。 第三十页,共五十一页,2022年,8月28日 优化方法 */25 5、 Mini-batch Gradient Descent 面临的挑战: learning rate选取比较困难 对于稀疏数据或者特征,有时我们可能想更新快一些; 对于常出现的特征更新慢一些,这时候SGD就不太能满足要求了; SGD容易收敛到局部最优,并且在某些情况下可能被困在鞍点 第三十一页,共五十一页,2022年,8月28日 优化方法-Momentum */25 momentum是模拟物理里动量的概念,积累之前的动量来替代真正的梯度: 其中, 是动量因子。 第三十二页,共五十一页,2022年,8月28日 优化方法-Momentum */25 SGD without momentum SGD with momentum 第三十三页,共五十一页,2022年,8月28日 优化方法-Momentum */25 特点: 下降初期时,使用上一次参数更新,下降方向一致,乘上较大的 能够进行很好的加速; 下降中后期时,在局部最小值来回震荡的时候, , 使得更新幅度增大,跳出陷阱; 在梯度改变方向的时候, 能够减少更新; 总之,momentum项能够在相关方向加速SGD,抑制振荡,从而加快收敛。 第三十四页,共五十一页,2022年,8月28日 优化方法-Nesterov */25 nesterov项在梯度更新时做一个校正,避免前进太快,同时提高灵敏度: 并没有直接改变当前梯度 ,所以Nesterov的改进就是让之前的动量直接影响当前的梯度。即: 因此,加上nesterov项后,梯度在大的跳跃后,进行计算对当前梯度进行校正。 第三十五页,共五十一页,2022年,8月28日 优化方法-Nesterov */25 momentum首先计算一个梯度(短的蓝色向量),然后在加速更新梯度的方向进行一个大的跳跃(长的蓝色向量),nesterov项首先在之前加速的梯度方向进行一个大的跳跃(棕色向量),计算梯度然后进行校正(绿色梯向量): momentum项和nesterov项都是为了使梯度更新更加灵活,对不同情况有针对性。 第三十六页,共五十一页,2022年,8月28日 深度学习及其优化方法 第一页,共五十一页,2022年,8月28日 Outline 深度学习基本介绍 Loss Function一般形式及数学概念 深度学习梯度优化方法 深度学习优化方法 */25 第二页,共五十一页,2022年,8月28日 深度学习的概念 */25 什么是deep learning? 深度学习:一种基于无监督特征学习和特征层次结构的学习方法。 本质:通过构建多隐层的模型和海量训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。 含多隐层的多层感知器就是一种深度学习结构。 第三页,共五十一页,2022年,8月28日 DL训练过程 */25 深度学习的基本思想: 对于Deep Learning,需要自动地学习特征,假设有一堆输入I,输出是O,设计一个系统S(有n层),形象地表示为: I =S1=S2=.....=Sn = O,通过调整系统中参数,使得它的输出仍然是输入I,那么就可以自动地获取得到输入I的一系列层次特征,即S1,..., Sn。 用自下而上的无监督学习 1)逐层构建单层神经元。 2)每层采用wake-sleep算法进行调优。每次仅调整一层,逐层调整。 第四页,共五十一页,2022年,8月28日 */25 第二步:自顶向下的监督学习?????? 这一步是在第一步学习获得各层参数进的基础上,在最顶的编码层添加一个分类器(如,SVM等),而后通过带标签数据的监督学习,利用梯度下降法去微调整个网络参数。 DL训练过程 第五页,共五十一页,2022年,8月28日 */25 深度学习的具体模型及方法: 1、自动编码器( AutoEncoder ) 2、稀疏自动编码器(Sparse AutoEncoder) 3、限制波尔兹曼机(Restricted Boltzmann Machine) 4、深信度网络(Deep Belief Networks) 5、卷积神经网络(Convolutional Neural Networks) DL训练过程 第六页,共五
您可能关注的文档
- 常见胸部外伤的诊断与治疗.ppt
- 森林有害生物概念.ppt
- 肾性骨病的诊断治疗.ppt
- 自然地理水文.ppt
- 心力衰竭的现代治疗.ppt
- 知识学习策略.ppt
- 第十二讲与多功能电子钟.ppt
- 格列卫治疗仿制品.ppt
- 第二章吸附分离功能高分子.ppt
- 生活保健与护理.ppt
- 原电池电动势的测定实验报告.pdf
- 与业主、设计、总包、监理和他承包人的配合措施.pdf
- 公司管理流程.pptx
- 2024_2025学年新教材高中地理第1章地球的运动素养综合训练新人教版选择性必修1.doc
- 2024_2025学年新教材高中地理第3章大气的运动第1节常见天气系统第1课时锋与天气分层作业新人教版选择性必修1.doc
- 2024_2025学年新教材高中地理第1章地球的运动第2节地球运动的地理意义第4课时正午太阳高度的变化四季更替和五带划分分层作业课件新人教版选择性必修1.pptx
- 2024_2025学年新教材高中地理第2章地表形态的塑造第2节构造地貌的形成第1课时地质构造与地貌课件新人教版选择性必修1.pptx
- 2024_2025学年新教材高中地理第1章地球的运动问题研究人类是否需要人造月亮课件新人教版选择性必修1.pptx
- 五片小雪花课件.pdf
- 2024_2025学年新教材高中地理第3章大气的运动第2节气压带和风带第1课时气压带和风带的形成分层作业课件新人教版选择性必修1.pptx
文档评论(0)