數學準備

• 雅可比矩陣（Jacobian）：向量對向量的偏導數所構成的矩陣，考慮函數從空間映射到另一個空間(

• )，則雅可比矩陣形成一個m行n列的矩陣，矩陣元标記為

• 。
• 海森矩陣（Hessian）：一階導數的雅可比矩陣，因為二階偏導的連續性，可以交換偏導的先後順序，所以海森矩陣也是實對稱矩陣。
• 方向導數（direction derivative）:某個标量對特定方向d（單位向量）上的導數，度量了該标量沿着該方向的變化率，是一個向量。
• 梯度（Gradient）：變化率最大的方向導數。
• 鞍點（saddle point）：Hessian正定，對應局部極小值，Hessian負定，對應局部最大值，Hessian不定，對應鞍點（注意，這是充分非必要條件）直觀來看，鞍點就是一個方向上是極大值，另一方向卻是極小值。
• 厄米矩陣（Hermitian）：對稱矩陣的複數域擴展，實對稱矩陣是厄密矩陣的特例。厄米矩陣可以被對角化。
• 特征值：矩陣做對角化變換前後，特征向量被縮放的比例。特征向量和特征值是矩陣的固有屬性。

在開始深度學習之前，我們要對深度學習和統計學習的重要工具——優化算法——做一個全面深刻的剖析，首先我們要問：機器學習為什麼要使用優化算法呢？舉個例子，普通最小二乘的最佳參數表達為：

雖然我們可以獲得解析表達，但是當數據量變得非常龐大的時候，連計算矩陣的逆都會變得非常慢。同時在很多情況下，我們無法獲得參數的解析表達，就需要采用叠代的方式逼近最佳的參數值。

叠代的方式有很多種，比如坐标下降法（coordinate descent），它的想法很簡單，将變量分組然後針對每一組變量的坐标方向最小化Loss，循環往複每一組變量，直到到達不再更新Loss的坐标點。但即便這樣，坐标下降法仍然叠代的非常緩慢，很大一部分原因在于它的搜索方向是固定的，隻能沿着坐标的方向，而這樣的方向并不能保證是最快的。同時，坐标下降需要假設變量之間的影響非常微弱，一個變量的最優不會影響到另一個變量的更新，但這一條件往往很難滿足。

圖為坐标下降應用到兩個參數構成的Loss，我們可以發現，參數隻在兩個垂直的方向上進行更新，這是因為我們看到的contour就處在兩個參數構成的直角坐标系中，分别對應着坐标的方向。

相較于坐标下降，基于梯度是所有方向導數中變化最快的，梯度下降（gradient descent）也被叫做最速下降，對機器學習有些許了解的同學會很容易寫出梯度下降的公式：

首先，Loss function一般都是标量，它的雅可比矩陣就是一個列向量，其梯度指明了下降的方向，說明沿Loss梯度方向更新參數會得到最大程度的改變，學習率是一個标量，與梯度相乘，指明了下降的幅度。

圖為梯度下降在兩參數構成的Loss，可以發現，參數會沿着垂直于contour的方向進行更新，垂直于contour的方向正是梯度的方向。

Hessian中包含了Loss function的曲率信息，因為Hessian可以理解為梯度的雅可比，一個函數的導數衡量的是函數的變化率，所以Hessian衡量的就是梯度的變化率。同時Hessian矩陣由于是厄米矩陣，可以被對角化，它的特征值和特征向量可以分别定義為：

如果特征向量被正交歸一化，那麼特征向量d就是基，那麼特征值就是該方向上的二階導數，兩邊同時乘以特征向量的轉置，就可以得到：

比如對于鞍點，某個特征向量所對應的特征值就是負的，就意味着是這個方向上的極大值點，而另一特征向量所對應的特征值就是正的，意味着同時也是另一方向上的極小值點。從數學上來說，鞍點的來源是極大值極小值都要通過導數為零得到，但不同的方向導數定義在了不同的維度上。

如圖，AB方向和CD方向，二階導數的正負并不一緻，産生了X這樣一個鞍點。

其餘的方向的二階導數就可以通過特征向量來計算，因為特征向量可以構成一組基（完備正交），所有向量都可以用這組基進行線性表示，任意方向f可以被表示為：

所以，任意方向的二階導數都可以得到:

Hessian能夠告訴我們非常重要的一點，随着參數點的不斷更新，梯度會如何變化。舉個例子，在很多教材上都會講學習率的設定，學習率如果過大，就會在很大的Loss附近震蕩，如果太小，需要叠代的次數又太多。

如圖，不同的學習率會對梯度下降的性能造成影響。

那麼，多大的學習率才合适呢？具體到這個例子上，這明顯是一個凸函數（特指向下凸），代表着梯度會變得越來越小，也就是說固定好學習率的前提下，随着參數點的下降，我們下降的會越來越慢，我們将Loss function做泰勒展開：

假設從

到

，我們執行了一次梯度下降，那麼就有關系：

将梯度

表示為g，其帶入泰勒展開式，可以得到：

如果我們将後面兩項寫作一項：

如果中括号裡面的項大于零，那麼Loss 總會減小，比如Hessian的特征值均為負，其實對應着極大值點，那麼無論學習率多小，Loss總會下降很大。但是，如果Hessian特征值均為正，而且非常大，就意味着極小值附近的曲率非常大，那麼執行梯度下降反而會導緻Loss的上升。如果我們希望Loss能下降最多，其實就是希望中括号項越大越好，在Hessian特征值為正的情況下，在我們将看作變量，令其一階導數為零，這樣就求到了極大值(因為在Hessian特征值為正的前提下，二階導數小于零)：

就可以得到：

就給出了我們的最優步長。同時，我們可以将Loss function做泰勒展開，展開到二階：

考慮到一階導數為零的點對應着極值點，我們對上式求一階導數，并令其為零可得：

這樣就得到了牛頓法（Newton method）的更新公式。牛頓法已經默認使用了一階導數為零的信息，理想情況下，它隻需要從初始參數點叠代一次就可以找到極小值點。同時，它利用了Hessian中的曲率信息，一般而言也要比梯度更快，在下降方向上并不是梯度的方向，從數學上可以看出Hessian乘以梯度，本質上會得到Hessian特征向量的線性疊加，如果梯度恰好作為了Hessian的特征向量，那麼牛頓法和梯度下降的下降方向才會一緻。

如圖，紅線表示梯度下降的路徑，綠線表示牛頓法的路徑。

讀芯君開扒

課堂TIPS

這裡着重強調：優化算法的快慢和計算代價是兩回事情。優化至局部最小值所需要的叠代次數越少，就可以說優化地越快。梯度下降比坐标下降快，牛頓法比梯度下降更快，但我們可以非常容易的看到，在每次叠代時，梯度下降需要計算全部樣本的梯度，牛頓法甚至需要計算全部樣本的Hessian，雖然叠代次數減少了，但每次的計算代價卻增加了。

作者：唐僧不用海飛絲

如需轉載，請後台留言，遵守轉載規範

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!