机器学习之SGD, Batch, and Mini Batch的简单介绍
文章目录
- 总述
- SGD(Stochastic Gradient Descent)(随机梯度下降）
- Batch （批量）
- mini Batch (迷你批量）
总述
- SGD, Batch, and Mini Batch是可用于神经网络的监督学习计算权重更新的方案，即∆wij。
SGD(Stochastic Gradient Descent)(随机梯度下降）
- 随机梯度下降（SGD）计算每个训练数据的误差，并立即调整权重。如果我们有100个训练数据点，SGD将调整权重100次。
- SGD调整每个数据点的权重，
执行的神经网络的性能在训练过程中是弯曲的。“随机”这个名字暗示了训练过程中的随机行为。 - SGD计算的权重更新为：
- 上面的公式与增量规则是一样的，对啦，增量规则就是用了SGD 方法啦
Batch （批量）
-
在批处理方法中，对训练数据的所有误差计算每次权重更新，并使用
权重更新的平均值来调整权重。该方法使用了所有的训练数据，并且只更新了一次。 -
-
权重改变的计算公式：
-
-
其中，∆wij(k)为第k个训练数据的权重更新，N为训练数据的总数。
缺点：由于平均权重更新计算，批处理方法消耗了大量的训练时间。
mini Batch (迷你批量）
-
小批处理方法是
SGD和批处理方法的混合。它选择训练数据集的一部分，并使用它们以批处理方法进行训练。因此，它计算所选数据的权值更新，并使用平均权值更新来训练神经网络。例如，如果从100个训练数据点中选择20个任意数据点，则将批量方法应用于20个数据点。在这种情况下，总共执行了5次重量调整，以完成所有数据点的训练过程（5 = 100/20）。
-
可以说，mini Batch结合了SGD 和Batch 的优点：SGD的速度和批处理的稳定性。因此，它经常被用于深度学习，它处理大量的数据。