梯度检验和随机的初始参数

本文为大家分享的主要是机器学习中梯度检验和随机的初始参数相关内容，一起来看看吧，希望对大家学习和使用这部分内容有所帮助。

　　1 梯度检验

　　写了这么多篇笔记，我发现反向传播算法是目前来说，我了解到最复杂的算法。

　　为了完整地理解算法，我还复习了导数方面的功课，花了不少时间。

　　这个算法，有太多的细节，实现起来非常容易出错。

　　有时候，你使用梯度下降算法进行迭代，虽然每次代价函数 J(θ) 的值都在下降，但最终得到的结果却又有很大的误差，这很可能代码中依然存在一些问题。

　　对于这样的情况，应该怎么处理呢？

　　有一个叫 梯度检验（Gradient Checking） 的方法，可以减少这种错误的概率。

　　那么梯度检验到底是什么呢？

　　我们求的梯度，就是一个曲线的导数。

　　直观点，我们可以看看下图这样一个二阶模型：

在这里，导数就是图中红色切线的斜率。

　　以切点为中心，自变量分别增减一个ε，那么代价函数对应的就是 J(θ＋ε) 和 J(θ－ε)。

　　两个点连接得到的绿色直线，其斜率应该和红色切线斜率是相近的：

因为根据导数的定义：

x 接近于0的时候，得到的 f'(x 0 ) 就是导数。

　　所以，当 ε 无限小的时候，绿色的直线就是切线。

　　当然，如果 ε 取值太小的话，计算时可能会存在问题。

　　一般来说， ε = 10 -4 会比较合适。

　　上面所说的是一个参数的情况，如果对于很多参数 θ 1 ，θ 2 ，θ 3 ，…，θ n ，我们就需要对每个 θ 进行计算：

最终我们求得的计算得到的结果，应该和算法求得的导数是相近的。

　　通过这样的方法进行检验，你对自己的模型就能更有信心。

　　由于这个计算，不是向量化的计算，而是数字化的计算，在迭代的过程中，会非常慢。

　　如果我们经过检查，确认实现的算法没有问题，那么记得要把梯度检验（Gradient Checking）关闭掉，否则我们会极大地影响计算速度。

　　2 随机初始化

　　我们对参数 θ 的初始化，一般来说，都是全部设置为 0 ，或者全部设置为 1 。

　　但这对于神经网络来说，会存在问题。

　　因为实现逻辑的关键，就在于参数的选择上。

　　同样节点的神经网络模型，参数的不一致，实现的效果就不一样，例如 y = x 1 AND x 2 ：

和 y = x 1 OR x 2 ：

还记得《神经网络算法》为了实现前面将蓝圈和红叉区分开来，我们对于 y = x 1 XNOR x 2的实现么？

　如果我们将初始的参数全部都设置为 0 或者 1 ，因为特征完全相同，参数也完全相同，对于下一个单元而言，每一个结果是一样的。

　　对于每一个训练数据，都有：

　　这样的话，得到的结果同步变化，多个神经单元其实只是相当于一个神经单元。

　　这不是我们想要的结果，所以我们需要设置随机的初始参数。

 

 

来源：简书