1.Training: 如何訓(xùn)練模型

一句話理解機器學(xué)習(xí)一般訓(xùn)練過程 ：通過有標簽樣本來調(diào)整（學(xué)習(xí)）并確定所有權(quán)重Weights和偏差Bias的理想值。

訓(xùn)練的目標：最小化損失函數(shù)

（損失函數(shù)下面馬上會介紹）

機器學(xué)習(xí)算法在訓(xùn)練過程中，做的就是：檢查多個樣本并嘗試找出可最大限度地減少損失的模型；目標就是將損失(Loss)最小化

上圖就是一般模型訓(xùn)練的一般過程（試錯過程），其中

• 模型： 將一個或多個特征作為輸入，然后返回一個預(yù)測 (y') 作為輸出。為了進行簡化，不妨考慮一種采用一個特征并返回一個預(yù)測的模型，如下公式（其中b為 bias，w為weight）

• 計算損失：通過損失函數(shù)，計算該次參數(shù)（bias、weight）下的loss。
• 計算參數(shù)更新：檢測損失函數(shù)的值，并為參數(shù)如bias、weight生成新值，以降低損失為最小。

例如：使用梯度下降法，因為通過計算整個數(shù)據(jù)集中w每個可能值的損失函數(shù)來找到收斂點這種方法效率太低。所以通過梯度能找到損失更小的方向，并迭代。

舉個TensorFlow代碼栗子，對應(yīng)上面公式在代碼中定義該線性模型：

y_output = tf.multiply(w,x) + b

假設(shè)該模型應(yīng)用于房價預(yù)測，那么y_output為預(yù)測的房價，x為輸入的房子特征值（如房子位置、面積、樓層等）

2. Loss Function:損失和損失函數(shù)

損失是一個數(shù)值 表示對于單個樣本而言模型預(yù)測的準確程度。

如果模型的預(yù)測完全準確，則損失為零，否則損失會較大。

訓(xùn)練模型的目標是從所有樣本中找到一組平均損失“較小”的權(quán)重和偏差。

損失函數(shù)的目標：準確找到預(yù)測值和真實值的差距

如圖 紅色箭頭表示損失，藍線表示預(yù)測。明顯左側(cè)模型的損失較大；右側(cè)模型的損失較小

要確定loss，模型必須定義損失函數(shù) loss function。例如，線性回歸模型通常將均方誤差用作損失函數(shù)，而邏輯回歸模型則使用對數(shù)損失函數(shù)。

正確的損失函數(shù)，可以起到讓預(yù)測值一直逼近真實值的效果，當預(yù)測值和真實值相等時，loss值最小。

舉個TensorFlow代碼栗子，在代碼中定義一個損失loss_price 表示房價預(yù)測時的loss，使用最小二乘法作為損失函數(shù)：

loss_price = tr.reduce_sum(tf.pow(y_real - y_output), 2)

這里，y_real是代表真實值，y_output代表模型輸出值（既上文公式的y' ），因為有的時候這倆差值會是負數(shù)，所以會對誤差開平方，具體可以搜索下最小二乘法公式

3. Gradient Descent:梯度下降法

理解梯度下降就好比在山頂以最快速度下山：

好比道士下山，如何在一座山頂上，找到最短的路徑下山，并且確定最短路徑的方向

原理上就是凸形問題求最優(yōu)解，因為只有一個最低點；即只存在一個斜率正好為 0 的位置。這個最小值就是損失函數(shù)收斂之處。

通過計算整個數(shù)據(jù)集中 每個可能值的損失函數(shù)來找到收斂點這種方法效率太低。我們來研究一種更好的機制，這種機制在機器學(xué)習(xí)領(lǐng)域非常熱門，稱為梯度下降法。

梯度下降法的目標：尋找梯度下降最快的那個方向

梯度下降法的第一個階段是為 選擇一個起始值（起點）。起點并不重要；因此很多算法就直接將 設(shè)為 0 或隨機選擇一個值。下圖顯示的是我們選擇了一個稍大于 0 的起點：

然后，梯度下降法算法會計算損失曲線在起點處的梯度。簡而言之，梯度是偏導(dǎo)數(shù)的矢量；它可以讓您了解哪個方向距離目標“更近”或“更遠”。請注意，損失相對于單個權(quán)重的梯度（如圖 所示）就等于導(dǎo)數(shù)。

請注意，梯度是一個矢量，因此具有以下兩個特征：

• 方向
• 大小

梯度始終指向損失函數(shù)中增長最為迅猛的方向。梯度下降法算法會沿著負梯度的方向走一步，以便盡快降低損失

為了確定損失函數(shù)曲線上的下一個點，梯度下降法算法會將梯度大小的一部分與起點相加

然后，梯度下降法會重復(fù)此過程，逐漸接近最低點。（找到了方向）

• 隨機梯度下降法SGD：解決數(shù)據(jù)過大，既一個Batch過大問題，每次迭代只是用一個樣本（Batch為1），隨機表示各個batch的一個樣本都是隨機選擇。

4. Learning Rate:學(xué)習(xí)速率

好比上面下山問題中，每次下山的步長。

因為梯度矢量具有方向和大小，梯度下降法算法用梯度乘以一個稱為學(xué)習(xí)速率（有時也稱為步長）的標量，以確定下一個點的位置。這是超參數(shù)，用來調(diào)整AI算法速率

例如，如果梯度大小為 2.5，學(xué)習(xí)速率為 0.01，則梯度下降法算法會選擇距離前一個點 0.025 的位置作為下一個點。

超參數(shù)是編程人員在機器學(xué)習(xí)算法中用于調(diào)整的旋鈕。大多數(shù)機器學(xué)習(xí)編程人員會花費相當多的時間來調(diào)整學(xué)習(xí)速率。如果您選擇的學(xué)習(xí)速率過小，就會花費太長的學(xué)習(xí)時間：

繼續(xù)上面的栗子，實現(xiàn)梯度下降代碼為：

train_step = tf.train.GradientDescentOptimizer(0.025).minimize(loss_price)

這里設(shè)置梯度下降學(xué)習(xí)率為0.025, GradientDescentOptimizer()就是使用的隨機梯度下降算法， 而loss_price是由上面的損失函數(shù)獲得的loss

至此有了模型、損失函數(shù)以及梯度下降函數(shù)，就可以進行模型訓(xùn)練階段了：

Session = tf.Session()
Session.run(init)
for _ in range(1000):
	Session.run(train_step, feed_dict={x:x_data, y:y_data}) 

這里可以通過for設(shè)置固定的training 次數(shù)，也可以設(shè)置條件為損失函數(shù)的值低于設(shè)定值，

x_data y_data則為訓(xùn)練所用真實數(shù)據(jù)，x y 是輸入輸出的placeholder（代碼詳情參見TensorFlow API文檔）

5. 擴展：BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

BP（BackPropagation）網(wǎng)絡(luò)的訓(xùn)練，是反向傳播算法的過程，是由數(shù)據(jù)信息的正向傳播和誤差Error的反向傳播兩個過程組成。

反向傳播算法是神經(jīng)網(wǎng)絡(luò)算法的核心，其數(shù)學(xué)原理是：鏈式求導(dǎo)法則

• 正向傳播過程：

輸入層通過接收輸入數(shù)據(jù)，傳遞給中間層（各隱藏層）神經(jīng)元，每一個神經(jīng)元進行數(shù)據(jù)處理變換，然后通過最后一個隱藏層傳遞到輸出層對外輸出。

• 反向傳播過程：

正向傳播后通過真實值和輸出值得到誤差Error，當Error大于設(shè)定值，既實際輸出與期望輸出差別過大時，進入誤差反向傳播階段：

Error通過輸出層，按照誤差梯度下降的方式，如上面提到的隨機梯度下降法SGD，反向修正各層參數(shù)（如Weights），向隱藏層、輸入層逐層反轉(zhuǎn)。

通過不斷的正向、反向傳播，直到輸出的誤差減少到預(yù)定值，或到達最大訓(xùn)練次數(shù)。

到此這篇關(guān)于AI:如何訓(xùn)練機器學(xué)習(xí)的模型的文章就介紹到這了,相信對你有所幫助，更多相關(guān)機器學(xué)習(xí)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持腳本之家！

最新評論