無約束凸最佳化|梯度下降、最速下降、牛頓下降和各種分析
本文使用 Zhihu On VSCode 創作併發布
本文是我閱讀Boyd凸最佳化第九章的筆記,更多是給自己留個印象,而不是寫教程讓別人看懂。如果你的知識背景和我相似,你應該可以暢快地閱讀,否則可能有困難。你沒必要因此懷疑自己的能力,數學本來就是很複雜很細節的東西,沒有必要掌握每個細節。
本文思維導圖:
思維導圖
本文md文件連結:Anblogs
前置知識
對偶範數 (Dual Norm)
定義這種範數如下:
這是對於一個給定的範數定義的,這個範數用來限制引數
的取值,
。可以認為,對偶範數是對於一個任意範數定義的。衡量了在一個「對偶空間」中,向量
能夠向前「延伸」的最遠距離。
有一個很有用的結論。若原範數為
階範數,它的對偶範數為
階範數,則有
。
這個結論很好證明,利用「柯西不等式」的推廣「Holder不等式」:
強凸函式 (Strong Convexity)
我們定義一些函式為「強凸」的,這些函式滿足
,也就是矩陣
和
是正定矩陣。
對於任意函式
,若滿足中值定理的條件,有:
其中
。帶入「強凸」的條件,得到強凸函式一定滿足的不等式:
其中使用了不等式
。可以理解為,
強凸函式就是滿足這個不等式的函式
。
不等式右邊相對
取得最小值時,
的取值為
,這可以由簡單的求導得到,也可以作為「二次函式」的結論記住。
帶入
的值得到一個新的不等式,不等式右邊和
無關:
至此,為最小值找到了一個下界,
。
把下界寫得更明顯一些,若梯度存在明顯上界
,則帶入可得更明顯的不等式:
可以透過相同的方法得到最優解
的一個上界:
利用
,簡單移項之後:
得到了最優解的上界
。
同理可以根據上界證明最小值的上界:
廣義的下降演算法
最廣泛的下降演算法是,選擇一個「方向」
,計算得到
,使得
成立。
根據凸函式的性質,我們知道,
必須滿足
。這是由於,對於凸函式,當
成立,
必成立(必要條件)。
我們於是有了最廣泛的「下降」演算法的流程:
從某起始點開始。
確定一個下降方向
。
解一個一元最佳化問題,確定下降步長
。
計算得到新的
,迴圈至收斂。
這裡有兩個可以變化的地方,分別是「選擇
的方法」和「選擇
的方法」。以下討論選擇
的方法,相對沒那麼複雜。選擇
的方法不同,會形成非常不同的演算法,在後文中更詳細講解。
精確查詢
最佳化問題
通常可以直接求解,不論如何,一元的最佳化問題也簡單很多。
用常見的線性迴歸損失函式舉例子,
。帶入最佳化問題:
令為0,得到最終結果
。其中
可以「隨機」從資料集中取得,做的就是「隨機梯度下降」。
回溯法 (Backtracking)
回溯法是另一種找
的方法,它在每一步迭代找的是「近似」的最優
,而不是「精確」的
。
將
初始化為一個較大的數字,如1。準備常量
,當滿足
時,不斷縮小
。
Backtrack
演算法的執行可以參考上圖。
是個一元函式,我們知道它在
處的切線可以由
表示,如圖中切線。現在切線的斜率上乘一個比1小的數字
,得到「割線」,沒有切線那麼「斜」。
演算法啟動時,我們嘗試性沿著
方向走
這麼長的距離。我們想要控制
,防止走得太遠反而令函式值增大。以「割線」和函式的交點為分界,要是
過大,就縮小
,控制
,保證演算法收斂。
在大多數情況下,「回溯」和「精確查詢」的效能相差不遠。
梯度下降 (Gradient Descent)
梯度下降演算法,只是眾多下降演算法中的一個。這些演算法之間的大區別在於「選擇
」不同,而「選擇
」的操作常常獨立於此討論。
梯度下降十分簡單,就是選擇
,選擇下降的方向為梯度的反方向。這似乎是理所當然的選擇,還有什麼比梯度的反方向更好呢?當然是可以有的,我們後面再說。
這裡就沒必要列出梯度下降的流程了,只是上面「廣義的下降演算法」流程做了一些小改變而已。
證明收斂
這裡對梯度下降應用經典的數學分析,證明演算法的正確性。如果你覺得這樣書卷氣太濃,可以跳過至後文更重要的部分。
假設目標函式是「強凸函式」,前文有推導強凸函式的有關結論,如果你剛才跳過了可以回去看看,或者直接跳過本證明。
記一次迭代中的函式
,用於在每次迭代中確定
。則根據強凸函式的性質:
不等式右邊的最小值在
的時候取得,這是「二次函式」的簡單結論。於是得到一個更緊的上界:
若使用「精確查詢」確定
當使用精確查詢確定
時,每次迭代得到一個
,是關於
的最佳化問題的最優解。則每次迭代更新值
依舊滿足不等式:
兩邊同時減去最小值
,並且和不等式
聯立:
整理一下:
要確定計算精度為
,也就是
,只需要帶入上面的不等式,令
和不等式右邊相等,得到
的取值:
若使用「回溯」確定
這裡不詳細展開過程了,和上面類似,只是在不等式處有小小修改。給出最終結果:
梯度下降的問題
梯度下降對於變數的「尺度」(Scale) 有很大依賴,也可以說是對「座標系」有很大依賴。要是座標系的尺度(Scale)沒有選擇好,演算法依舊會收斂,但是收斂的非常慢(
),使得演算法失去價值。
具體看下圖:
zigzag
這樣的「等高線圖」(Contour) 是令
取得不同值時解出
得到的,我在後文中將「等高線的形狀」描述為「原始空間的形狀」或「取值的形狀」或「目標函式形狀」。這裡左圖的「形狀」是個「橢圓」,右圖是個「正圓」。
兩個變數尺度差別很大時,可能出現左圖這樣zigzag彎彎繞的情況。差別不大時,幾乎只需要一次迭代,一次對
的最佳化問題,就可以得到答案。
以下以具體例子看看這個問題。
條件數 (Condition Number)
假設目標函式為
。為了表現出不同變數尺度對演算法的影響,做一個換元
,其中矩陣
為對角矩陣,元素從左上到右下依次為
。目標函式變為
。
對這個函式使用梯度下降演算法,得到迭代次數和
的關係如圖:
尺度關係
迭代次數取得最小值時,就是各個變數沒有縮放的時候!一旦
不為0,迭代次數就會劇烈增加,因為
導致的縮放指數級變化!
最速下降 (Steepest Descent)
改變「選擇
」的方法,就得到不同的演算法。「最速下降」的概念應該是比「梯度下降」更大的,梯度下降可以看做最速下降的一種特殊情況。如果你對數學推理很反感,可以看看第一個h2標題,感受梯度下降如何與最速下降聯絡。
選擇
似乎理所當然,最速下降用的是更加理所當然的直覺:
每次確定
的時候,保證
使得
下降最多
。
這是個最佳化問題:
。其中,
是為了滿足「單位向量」的規定。若對
的長度不加限制,就相當於將選擇
和選擇
合併到了一起,違背了我們的初衷,並不「高效」。
等價的最佳化問題是:
,讓
在一個「球」中取值,允許了一定的「長度選擇」,這個長度選擇在演算法收斂之前不會發生太大作用,演算法會經常選擇
上的解。
以上得到的下降方向稱為「歸一化的方向」
。我們透過一個仔細設定,選擇梯度的「對偶範數」為縮放係數
,得到「未歸一化的方向」
。「未歸一化」的意思是,
不再成立。
選擇「對偶範數」作為係數的原因是,這樣可以簡單地描述
和梯度的內積:
綜上所述,演算法在選擇「下降方向」時的操作是
。以下具體選擇「範數」,展示計算
和
的過程。
二階範數和梯度下降
如果你看上面的數學推理有點懵,這裡聯絡梯度下降,看看如何從梯度下降導向最速下降,看看梯度下降又是如何為最速下降的特殊情況。
最速下降的變化在於
範數選擇的多種多樣,梯度下降就是選擇「二階範數」的最速下降,當然最速下降也可以選擇其他階或形式的「範數」。以下看看二階範數的最速下降的形式。
求
的最佳化問題為:
這個最佳化問題的解就是
,如果你不想看接下來的數學推理,看到這裡就好了。
由拉格朗日乘子法得到目標函式:
對
求梯度:
得到
,帶入到
中:
由簡單的均值不等式可以看出
,取等條件為
。對偶問題目標函式的最大值就是梯度的二階範數!由對偶問題和凸函式的性質,內積
在取得最優解時的值就是梯度的二階範數!
要得到最終解,還需要求「對偶範數」。由於取得是「二階範數」,對偶範數就是二階範數,
。帶入得到最終結果:
得到這樣的結果還是出人意料的。我本預想這會和
差一個係數,還要順勢證明那個係數是正數,現在看來分毫不差!
範數和座標系變化
「梯度下降」就是「最速下降」在「二階範數」下的版本,我們來看更加廣泛的情況。
二階範數是簡單的向量內積,我們用「二次型」取代內積,定義一個「P範數」:
的最佳化問題為:
得到最終結果
,省略具體過程了,和上面二階範數的情況類似。
利用矩陣和向量變換的知識加以理解。
是另一種內積,相當於將向量
先作對映
,令自變數去到另一個空間,從而使得
。在
代表的空間下,還是在對目標函式進行「梯度下降」。而
單位矩陣的情況就是「不變換」,是一種特殊情況。
無論是採用P範數還是其他範數,本質上都是進行座標系變換,將自變數對映到另一個空間,從而更好地進行「梯度下降」。梯度下降在原始空間中可能存在缺陷,正如前文所述,要是分量之間的尺度差異過大, 收斂就會非常緩慢。這時,變換座標系就會很有用。
具體如何變換才是最有用的,這可能見仁見智了。一般來說,要使得「範數」定義的座標系的「形狀」和目標函式自變數取值空間的「形狀」相似,如「P範數」的形狀是「橢圓」、「一階範數」的形狀是「矩形」。使用和變數空間形狀相近的範數,可以「抵消」原始空間對演算法效率的影響,從而使得變換後的空間儘量接近「正圓」。
變換
而「最速下降」更多是一種總結,不是具體的演算法本身。
一階範數和座標軸下降法
再介紹一個常用的最速下降的演算法,也就是簡單地取一階範數作為求
時候的範數。
寫出目標函式和它的梯度:
其中
就是向量
各個分量的符號
組成的向量,這是對「絕對值」求導得到的。將梯度令為0,得到對於每個分量,都應該有:
這個表示式有很巧妙的「對稱」:
一階範數的「對偶範數」是「無窮階範數」,記
。可以看出結果:
其中
為座標系的「基向量」,也就是令
只有一個分量
非0,其餘分量均為0。上面的結果是「看出來的」,如果你不太安心,可以驗證
確實成立。
這就是「座標軸下降法」,每次迭代只更新梯度最大的方向,保持其他方向不變。
前文說到,選擇範數就是要選擇和目標函式形狀相近的。當目標函式的形式和範數相近時,我們喜歡選擇這樣的範數。如L1正則中出現了「一階範數」,對應的模型經常使用座標軸下降法求解。
牛頓法
選擇範數實在是令人頭疼的事情,我們有時實在不知道目標函式的形狀最好使用什麼範數來描述。牛頓法就是會「自適應形狀」的演算法,相當於在每一步都會用一個橢圓來逼近當前位置目標函式的形狀。我們以下具體來看這個問題。
設定每一步
,可以驗證
,這就是牛頓法。和前文的一些「最速下降法」的例子不同,牛頓法使用的是一個變化的矩陣
,也就是「Hessian矩陣」或「二階導數」。根據「凸函式」的性質,
一定是「正定矩陣」。
各種理解方式
有很多種理解牛頓法的方式,我列舉一些,希望能帶來直觀的認知。
最小化二階泰勒展開
目標函式的二階展開式如下:
對
求最優解:
得到結果
,就是牛頓法的「一步」。
由此看來,牛頓法是在最小化每一步的「二階近似」。如下圖,找到
的最小值,就是離
最小值的更進一步。
二階近似
選擇特殊的P範數
牛頓法也可以看做選擇了特殊P範數的最速下降,對於P範數,我們在之前最速下降標題下舉過例子。
這裡讓矩陣
,則範數為
。每次更新
時,都重新計算了
。如果認為P範數就是將變數對映到另一個空間從而更好地梯度下降,那麼牛頓法在每一步的對映都不同、都是根據函式當前的形狀決定的。範數的形狀越接近目標函式的形狀,梯度下降的效果就越好,則每一步都使用「二階展開」逼近的範數,效果肯定比始終不變的範數好很多。並且,越接近最優解,二階展開和真實目標函式之間的差異越小,從而每次迭代的效率越來越高。
牛頓法自適應不受座標系伸縮影響
牛頓法的每一步都會調整「範數」,這裡演示這樣的調整如何擺脫了梯度下降的「尺度問題」。
將變數
做線性變換
後,以
為變數,得到
的表示式如下:
故
,每次迭代更新值會隨著自變數被對映而被對映,演算法自動方便了函式,而不是函式來方便演算法。
下降程度
使用梯度和
的內積來衡量一次迭代更新的程度:
這是個很重要的量。我們知道,牛頓法每一步都是在使用二階近似的最佳化問題代替原來的最佳化問題,這個量
也衡量了近似的最佳化問題和原問題之間的差距:
正確性證明
未完待續…。。。