指数加权平均动量梯度下降法
Posted 劳埃德·福杰
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了指数加权平均动量梯度下降法相关的知识,希望对你有一定的参考价值。
1.指数加权平均(exponentially weighted averages)
这里有一年的温度数据。
如果想计算温度的趋势,也就是局部平均值(local average),或者说移动平均值(moving average),怎么做?
:当天的温度,:从当天开始计算前天的平均温度,:从昨天开始计算前天的平均温度。
比如,β=0.9,计算的就是前10天的平均温度,如下图红线所示。β=0.98,计算的就是前50天的平均温度,如下图绿线所示。
为什么是天?
,,...
...
这些项的系数呈指数级减少
0.37,
当β->1,选定为分界线,从开始,以后的项都可忽略不计,(1-β)=。
例:β=0.9,10为分界线,(1-0.9)0.90....+0....。
β=0.98,50为分界线,(1-0.98)0.0....+0....。
偏差修正(Bias correction)
β=0.98,如果没有进行偏差修正,得到的其实是下图的紫线。
,0.02,=0.98x0.02+0.02
=5,,算局部平均值的时候,不太合理,偏小。
所以,在估测初期要进行一个修正,公式:
例:t=2,要修正为,β=0.98
当t越来越大的时候,就近似等于,上图的紫线就和绿线重合了,修正偏差的作用也就不大了。
所以,如果你关心初始时期的偏差,偏差修正能让你在早期获得更好的估测。不在乎早期的偏差,不做修正也问题不大。
指数加权平均优点是只会占很少的内存,计算的时候只需要一行代码,需要知道的信息很少。计算精度肯定不如直接计算前n天的均值,但是后者要保存前n天的数据,更占内存。
2.动量梯度下降法
以上是关于指数加权平均动量梯度下降法的主要内容,如果未能解决你的问题,请参考以下文章