第十周-使用大数据训练

1 大数据下的梯度下降

在接下来的几个视频里，我们会讲大规模的机器学习，就是用来处理大数据的算法。如果我们看近5到10年的机器学习的历史，现在的学习算法比5年前的好很多，其中的原因之一就是我们现在拥有很多可以训练算法的数据。

1.1 大数据

为什么我们喜欢用大的数据集呢?
我们已经知道得到一个高效的机器学习系统的最好的方式之一是用一个低偏差的学习算法 ,然后用很多数据来训练它.

当然，在我们训练一个上亿条数据的模型之前，我们还应该问自己：为什么不用几千条数据呢？也许我们可以随机从上亿条的数据集里选个一千条的子集，然后用我们的算法计算。

通常的方法是画学习曲线：

如果你要绘制学习曲线，并且如果你的训练目标看起来像是左边的，而你的交叉验证集目标，theta的Jcv，那么这看起来像是一个高方差学习算法，所以加入额外的训练样例来提高性能。
右边看起来像传统的高偏差学习算法，那么看起来不大可能增加到1亿将会更好，然后你会坚持n等于1000，而不是花费很多的精力弄清楚算法的规模如何。
正确的做法之一是增加额外的特性，或者为神经网络增加额外的隐藏单位等等，这样你就可以得到更接近于左边的情况，在这种情况下可能达到n 等于1000，这样就给了你更多的信心，试图添加基础设施（下部构造）来改变算法，使用更多的例子，可能实际上是一个很好的利用你的时间。

1.2 随机梯度下降

对于很多机器学习算法，包括线性回归、逻辑回归、神经网络等等，算法的实现都是通过得出某个代价函数或者某个最优化的目标来实现的，然后使用梯度下降这样的方法来求得代价函数的最小值。

当我们的训练集较大时，梯度下降算法则显得计算量非常大，在这段视频中我想介绍一种跟普通梯度下降不同的方法随机梯度下降(stochastic gradient descent) 。

他的主要思想是：

{在每次迭代中不需要看所有的训练样例，但是在一次迭代中只需要看一个训练样例}

第一步是打乱数据第二步是算法的关键是关于某个单一的训练样本(x(i),y(i))来对参数进行更新

对于随机梯度下降来说，有以下说法：
1. 当训练集的个数m很大的时候，随机梯度下降比梯度下降要快很多。
2. 对于损失函数来说，梯度下降每次迭代都会减小，而随机梯度下降不一定减小，甚至可能增大。
3. 随机梯度下降可以用在多种模拟的优化中。
4. 在随机梯度下降之前，最好（必须）打乱训练集的顺序。

与随机梯度下降相比，每次迭代都要快得多，因为我们不需要总结所有的训练样例。但是每次迭代只是试图更好地适应单个训练样例。

随机梯度下降的劣势：当你运行随机梯度下降时，你会发现它通常会将参数向全局最小值的方向移动，但并不总是如此。事实上，当运行随机梯度下降时，它实际上并没有收敛到相同的固定值，最终做的是在一些接近全局最小值的区域连续四处流浪，但是它不会达到全局最小值并停留在那里。对于任何最实际的目的来说，这都是一个很好的假设。

所以：选择随机梯度下降还是批梯度下降？

答案：数据量大的时候使用随机梯度下降，而数据量不那么大的话还是用批梯度下降吧。

1.3 mini-batch梯度下降

在之前的视频中我们讨论了随机梯度下降，以及它是怎样比批量梯度下降更快。在这次视频中，让我们讨论基于这些方法的另一种变形，叫做小批量梯度下降。这种算法有时候甚至比随机梯度下降还要快一点。

由上图可以看出批量梯度下降、随即梯度下降、小批量梯度下降的区别。小批量介于二者的规模的中间。具体计算方法如下图，选b个样本计算。（当b等于m的时候，minibatch就成了batch GD。）

尤其是，小批量梯度下降可能要超过随机梯度下降，只有当你有一个良好的实现时，通过使用适当的向量化来计算余下的项。

1.4 随机梯度下降的收敛性

现在你已经知道了随机梯度下降算法，但是当你运行这个算法时你如何确保调试过程已经完成并且能正常收敛呢？还有同样重要的是你怎样调整随机梯度下降中学习速率α的值？

在这段视频中我们会谈到一些方法来处理这些问题，确保它能收敛以及选择合适的学习速率α 。

在过去的1000个示例中绘制平均成本的平均值，这些图可能看起来像几个例子，看图修正模型：

因为这些数字平均只有一千个例子，所以它们会有点吵，所以每一次迭代都不会减少。
图2红线：通过平均5000个例子，而不是1,000个，你可能会得到更加平滑的曲线。
图3平均数量较多的例子，我们在这里取平均值超过5000个例子，可能得到两种较平缓的曲线。如果得到的是洋红色水平线，你需要改变学习率或改变特征改变算法的其他内容。
图4如果你看到一条曲线正在增加，那么这是一个信号，表明算法是发散的。你真正应该做的就是把学习速率α的值作为一个微不足道的值。降低学习速率α意味着每一次随机梯度下降的迭代将会采取一个较小的步骤，因此它可能会聚，而不是分歧。

总结：因此，如果曲线看起来过于嘈杂，或者如果它太多摆动，那么尝试增加你平均的例子的数量，这样你可以更好地看到情节的整体趋势。如果你看到错误是实际上增加，成本实际上是增加，尝试使用较小的alpha值。

最后还需要再说一下关于学习速率的问题

如果你想要随机梯度下降实际收敛到全局最小值，那么你可以做的一件事是你可以慢慢地降低α的学习速率。迭代次数是你运行的随机梯度下降的迭代次数，所以这真的是你见过的培训例子的数量。

2 大数据的高级技巧

2.1在线学习

什么情况下使用在线学习？如果你运行一个主要的网站有一个连续的用户流，在线学习算法是非常合理的。因为数据本质上是免费的，如果你有这么多的数据，那么数据本质上是无限的当然，如果我们只有少量的用户，而不是使用在线学习算法，那么最好将所有的数据保存在一个固定的训练集中，然后运行一些算法。但是如果你真的有一个连续的数据流，那么在线学习算法可以是非常有效的。

这种在线学习算法的一个有趣效果就是，它能够适应不断变化的用户偏好。尤其是，如果随着时间的推移，由于经济的变化，用户的价格敏感度会降低，他们愿意支付更高的价格。如果你开始有新类型的用户来到你的网站。这种在线学习算法也可以适应不断变化的用户喜好，并跟踪你不断变化的用户愿意支付的种类。而且，因为如果你的用户池发生了变化，那么这些更新到你的参数theta将只是适应你的参数，

在线学习的优势：
1. 可以适应用户的品味变化。
2. 允许我们对流数据进行学习。

2.2 mapreduce

在上面几个视频中我们讨论了随机梯度下降以及梯度下降算法的其他一些变种，包括如何将其运用于在线学习，然而所有这些算法都只能在一台计算机上运行。

但是有些机器学习问题太大以至于不可能只在一台计算机上运行，有时候它涉及的数据量如此巨大以至于不论你使用何种算法，你都不希望只使用一台计算机来处理这些数据。

因此在这个视频中我希望介绍进行大规模机器学习的另一种方法称为映射约减 (map reduce) 方法。

注意：
1. 如果没有网络延迟，并且没有网络通信的费用来回发送数据，则可以达到4倍的速度。
2. 如果您只有一台具有多个处理内核的计算机，则MapReduce也可以适用。因此，与在数据传感器内的不同计算机上使用这种方法相比，网络延迟的问题要少得多。
3. 一些好的MapReduce开源实现，叫做Hadoop，使用你自己的实现或者使用别人的开源实现，你可以使用这些想法来并行学习算法，并让它们在更大的数据集上运行。