梯度下降法

首先我们需要了解得分函数和损失函数，在上一篇文章中有介绍；而我们的核心目标是找到最适合的参数w，使得损失函数取值最小化。这就是最优化的过程。

损失函数往往定义在非常高维的空间，一般，我们可以把高维投射到一个向量/方向（1维）或者一个面（2维）上，从而直观地观察到一些变化，这也称为曲线救国。

一、凸优化：

SVM损失函数是一个凸函数；凸函数的正系数加和仍然是凸函数；但扩充到神经网络之后，损失函数将变成一个非凸函数。凸函数的局部最优点就是全局最优点.

二、最优点：

策略1：随机搜寻（不太实用）。最直接粗暴的方法，尽量多去试参数，然后从里面选择那个让损失函数最小的，作为最后的w。

策略2：随机局部搜索。在现有参数的基础上，搜寻周边临近的参数，有没有比现在参数更好的w，然后用新的w替代原来的w，不断迭代。

策略3：顺着梯度下滑。找到最陡的方向，迈一小步，然后再找当前位置最陡的方向，再迈一小步......不过这个策略有一个初始值敏感的情况；如下图对比。

三、计算梯度：

有两个常用的梯度计算的方法：

（1）数值梯度（numerical gradient）：慢一些但是简单一些；

对每一个维度，都在原始值上加上一个很小的h，然后计算这个维度/方向上的骗到，最后组在一起得到grad

迭代的步长h设得太小时，时间耗不起；步长太大时，容易跳过最优点甚至永远跳不到最优点。

效率问题：这个计算方法的复杂度，基本上是和我们的参数个数成线性关系的。

（2）解析梯度（analytic gradient）：速度快但是更容易出错，解析梯度理论上可能能很快解出来，但是实际上很有可能出错。

而如果先计算解析梯度和数值梯度，然后比对结果和校正，然后就可以大胆地解析法计算了，这个过程叫梯度检查/检测。

四、梯度下降：

以下这个简单的循环就是很多神经网络的核心：

while True:      weights_grad = evaluate_gradient(loss_fun,data,weights)#计算梯度      weights += -step_size * weight_grad  #梯度下降更新参数

Mini-batch：对整个训练集数据集的样本都算一遍损失函数，以完成参数迭代是一件非常耗时的事，一般，我们通常采用替代方法，采样出一个子集在其上计算梯度。

while True:      data_batch = sample_training_data(data,256)#抽样256个样本作为一个batch      weights_grad = evaluate_gradient(loss_fun,data_batch,weights)#计算梯度      weights += -step_size * weight_grad  #梯度下降更新参数

一般我们使用的是Mini-batch SGD：

不断循环下列步骤：

（1）采样一个batch数据（可以做镜像对称）

（2）前向计算得到损失loss

（3）反向传播计算梯度（一个batch上）

（4）用这部分梯度迭代更新权重参数