数学准备

• 雅可比矩阵（Jacobian）：向量对向量的偏导数所构成的矩阵，考虑函数从空间映射到另一个空间(

• )，则雅可比矩阵形成一个m行n列的矩阵，矩阵元标记为

• 。
• 海森矩阵（Hessian）：一阶导数的雅可比矩阵，因为二阶偏导的连续性，可以交换偏导的先后顺序，所以海森矩阵也是实对称矩阵。
• 方向导数（direction derivative）:某个标量对特定方向d（单位向量）上的导数，度量了该标量沿着该方向的变化率，是一个向量。
• 梯度（Gradient）：变化率最大的方向导数。
• 鞍点（saddle point）：Hessian正定，对应局部极小值，Hessian负定，对应局部最大值，Hessian不定，对应鞍点（注意，这是充分非必要条件）直观来看，鞍点就是一个方向上是极大值，另一方向却是极小值。
• 厄米矩阵（Hermitian）：对称矩阵的复数域扩展，实对称矩阵是厄密矩阵的特例。厄米矩阵可以被对角化。
• 特征值：矩阵做对角化变换前后，特征向量被缩放的比例。特征向量和特征值是矩阵的固有属性。

在开始深度学习之前，我们要对深度学习和统计学习的重要工具——优化算法——做一个全面深刻的剖析，首先我们要问：机器学习为什么要使用优化算法呢？举个例子，普通最小二乘的最佳参数表达为：

虽然我们可以获得解析表达，但是当数据量变得非常庞大的时候，连计算矩阵的逆都会变得非常慢。同时在很多情况下，我们无法获得参数的解析表达，就需要采用迭代的方式逼近最佳的参数值。

迭代的方式有很多种，比如坐标下降法（coordinate descent），它的想法很简单，将变量分组然后针对每一组变量的坐标方向最小化Loss，循环往复每一组变量，直到到达不再更新Loss的坐标点。但即便这样，坐标下降法仍然迭代的非常缓慢，很大一部分原因在于它的搜索方向是固定的，只能沿着坐标的方向，而这样的方向并不能保证是最快的。同时，坐标下降需要假设变量之间的影响非常微弱，一个变量的最优不会影响到另一个变量的更新，但这一条件往往很难满足。

图为坐标下降应用到两个参数构成的Loss，我们可以发现，参数只在两个垂直的方向上进行更新，这是因为我们看到的contour就处在两个参数构成的直角坐标系中，分别对应着坐标的方向。

相较于坐标下降，基于梯度是所有方向导数中变化最快的，梯度下降（gradient descent）也被叫做最速下降，对机器学习有些许了解的同学会很容易写出梯度下降的公式：

首先，Loss function一般都是标量，它的雅可比矩阵就是一个列向量，其梯度指明了下降的方向，说明沿Loss梯度方向更新参数会得到最大程度的改变，学习率是一个标量，与梯度相乘，指明了下降的幅度。

图为梯度下降在两参数构成的Loss，可以发现，参数会沿着垂直于contour的方向进行更新，垂直于contour的方向正是梯度的方向。

Hessian中包含了Loss function的曲率信息，因为Hessian可以理解为梯度的雅可比，一个函数的导数衡量的是函数的变化率，所以Hessian衡量的就是梯度的变化率。同时Hessian矩阵由于是厄米矩阵，可以被对角化，它的特征值和特征向量可以分别定义为：

如果特征向量被正交归一化，那么特征向量d就是基，那么特征值就是该方向上的二阶导数，两边同时乘以特征向量的转置，就可以得到：

比如对于鞍点，某个特征向量所对应的特征值就是负的，就意味着是这个方向上的极大值点，而另一特征向量所对应的特征值就是正的，意味着同时也是另一方向上的极小值点。从数学上来说，鞍点的来源是极大值极小值都要通过导数为零得到，但不同的方向导数定义在了不同的维度上。

如图，AB方向和CD方向，二阶导数的正负并不一致，产生了X这样一个鞍点。

其余的方向的二阶导数就可以通过特征向量来计算，因为特征向量可以构成一组基（完备正交），所有向量都可以用这组基进行线性表示，任意方向f可以被表示为：

所以，任意方向的二阶导数都可以得到:

Hessian能够告诉我们非常重要的一点，随着参数点的不断更新，梯度会如何变化。举个例子，在很多教材上都会讲学习率的设定，学习率如果过大，就会在很大的Loss附近震荡，如果太小，需要迭代的次数又太多。

如图，不同的学习率会对梯度下降的性能造成影响。

那么，多大的学习率才合适呢？具体到这个例子上，这明显是一个凸函数（特指向下凸），代表着梯度会变得越来越小，也就是说固定好学习率的前提下，随着参数点的下降，我们下降的会越来越慢，我们将Loss function做泰勒展开：

假设从

到

，我们执行了一次梯度下降，那么就有关系：

将梯度

表示为g，其带入泰勒展开式，可以得到：

如果我们将后面两项写作一项：

如果中括号里面的项大于零，那么Loss 总会减小，比如Hessian的特征值均为负，其实对应着极大值点，那么无论学习率多小，Loss总会下降很大。但是，如果Hessian特征值均为正，而且非常大，就意味着极小值附近的曲率非常大，那么执行梯度下降反而会导致Loss的上升。如果我们希望Loss能下降最多，其实就是希望中括号项越大越好，在Hessian特征值为正的情况下，在我们将看作变量，令其一阶导数为零，这样就求到了极大值(因为在Hessian特征值为正的前提下，二阶导数小于零)：

就可以得到：

就给出了我们的最优步长。同时，我们可以将Loss function做泰勒展开，展开到二阶：

考虑到一阶导数为零的点对应着极值点，我们对上式求一阶导数，并令其为零可得：

这样就得到了牛顿法（Newton method）的更新公式。牛顿法已经默认使用了一阶导数为零的信息，理想情况下，它只需要从初始参数点迭代一次就可以找到极小值点。同时，它利用了Hessian中的曲率信息，一般而言也要比梯度更快，在下降方向上并不是梯度的方向，从数学上可以看出Hessian乘以梯度，本质上会得到Hessian特征向量的线性叠加，如果梯度恰好作为了Hessian的特征向量，那么牛顿法和梯度下降的下降方向才会一致。

如图，红线表示梯度下降的路径，绿线表示牛顿法的路径。

读芯君开扒

课堂TIPS

这里着重强调：优化算法的快慢和计算代价是两回事情。优化至局部最小值所需要的迭代次数越少，就可以说优化地越快。梯度下降比坐标下降快，牛顿法比梯度下降更快，但我们可以非常容易的看到，在每次迭代时，梯度下降需要计算全部样本的梯度，牛顿法甚至需要计算全部样本的Hessian，虽然迭代次数减少了，但每次的计算代价却增加了。

作者：唐僧不用海飞丝

如需转载，请后台留言，遵守转载规范

,