我已经在JavaScript中使用梯度下降算法实现了一个非常简单的线性回归,但在咨询了多个来源并尝试了几个方面后,我无法将其收敛 .
数据是绝对线性的,它只是数字0到30作为输入,x * 3作为正确的输出要学习 .
这是梯度下降背后的逻辑:
train(input, output) {
const predictedOutput = this.predict(input);
const delta = output - predictedOutput;
this.m += this.learningRate * delta * input;
this.b += this.learningRate * delta;
}
predict(x) {
return x * this.m + this.b;
}
我从不同的地方拿了公式,包括:
-
来自Udacity的深度学习基础Nanodegree的练习
-
Andrew Ng's course on Gradient Descent for Linear Regression(also here)
我已经尝试过了:
-
将输入和输出值标准化为[-1,1]范围
-
将输入和输出值标准化为[0,1]范围
-
将输入和输出值标准化为mean = 0和stddev = 1
-
降低学习率(1e-7和我去的一样低)
-
具有完全没有偏差的线性数据集(
y = x * 3
) -
具有非零偏差的线性数据集(
y = x * 3 + 2
) -
使用介于-1和1之间的随机非零值初始化权重
仍然,权重( this.b
和 this.m
)不接近任何数据值,并且它们分叉到无穷大 .
我显然做错了什么,但我无法弄清楚它是什么 .
Update: 这里有一些更多的上下文可能有助于弄清楚我的问题究竟是什么:
我试图通过线性回归伪神经元在线学习来模拟线性函数的简单近似 . 有了它,我的参数是:
-
重量:[
this.m
,this.b
] -
输入:[
x
,1
] -
激活功能:身份功能
z(x) = x
因此,我的网络将由 y = this.m * x + this.b * 1
表示,模拟我想要近似的数据驱动函数( y = 3 * x
) .
我想要的是我的网络_29454230_参数 this.m = 3
和 this.b = 0
,但似乎我陷入了局部最小值 .
我的错误函数是均方误差:
error(allInputs, allOutputs) {
let error = 0;
for (let i = 0; i < allInputs.length; i++) {
const x = allInputs[i];
const y = allOutputs[i];
const predictedOutput = this.predict(x);
const delta = y - predictedOutput;
error += delta * delta;
}
return error / allInputs.length;
}
我更新我的权重的逻辑将是(根据我迄今为止检查的来源) wi -= alpha * dError/dwi
为了简单起见,我将调用我的权重 this.m
和 this.b
,因此我们可以将其与我的JavaScript代码相关联 . 我还将 y^
称为预测值 .
从这里:
error = y - y^
= y - this.m * x + this.b
dError/dm = -x
dError/db = 1
因此,将其应用于权重修正逻辑:
this.m += alpha * x
this.b -= alpha * 1
但这似乎不正确 .
1 回答
我终于发现了什么是错的,我正在回答我自己的问题,希望它也能帮助这个领域的初学者 .
首先,正如萨沙所说,我有一些理论上的误解 . 你的调整包括逐字输入值可能是正确的,但正如他所说,它应该已经是渐变的一部分 . 这一切都取决于您选择的错误功能 .
您的误差函数将衡量您用什么来衡量您与真实值的关系,并且该测量需要保持一致 . 我使用均方误差作为测量工具(你可以在我的
error
方法中看到),但我在训练方法中使用纯绝对误差(y^ - y
)来测量误差 . Your gradient will depend on the choice of this error function. 所以只选择一个并坚持下去 .第二, simplify your assumptions in order to test what's wrong . 在这种情况下,我非常清楚要近似的函数是什么(
y = x * 3
)所以我手动将权重(this.b
和this.m
)设置为正确的值,我仍然看到错误发散 . 这意味着在这种情况下权重初始化不是问题 .在搜索了一些之后,我的错误就在其他地方:将数据输入网络的功能错误地将
3
硬编码值传递给预测输出(它在数组中使用了错误的索引),因此我看到的振荡是因为尝试近似于y = 0 * x + 3
(this.b = 3
和this.m = 0
)的网络,但由于学习率较小且误差函数导数中的误差,this.b
无法接近正确的值,使this.m
进行疯狂跳跃调整它 .最后, keep track of the error measurement as your network trains ,这样您就可以了解正在发生的事情 . 这有助于识别简单过度拟合,大学习率和简单的简单错误之间的差异 .