梯度下降法面试题

1. 机器学习中为什么需要梯度下降

梯度下降的作用：

• 梯度下降是迭代法的一种，可以用于求解最小二乘问题。
• 在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。
• 如果我们需要求解损失函数的最大值，可通过梯度上升法来迭代。梯度下降法和梯度上升法可相互转换。

2. 梯度下降法缺点

缺点：

• 靠近极小值时收敛速度减慢。
• 直线搜索时可能会产生一些问题。
• 可能会“之字形”地下降。

注意：

• 梯度是一个向量，即有方向有大小。
• 梯度的方向是最大方向导数的方向。
• 梯度的值是最大方向导数的值。

3. 梯度下降法直观理解

假如最开始，我们在一座大山上的某处位置，因为到处都是陌生的，不知道下山的路，所以只能摸索着根据直觉，走一步算一步，在此过程中，每走到一个位置的时候，都会求解当前位置的梯度，沿着梯度的负方向，也就是当前最陡峭的位置向下走一步，然后继续求解当前位置梯度，向这一步所在位置沿着最陡峭最易下山的位置走一步。不断循环求梯度，就这样一步步地走下去，一直走到我们觉得已经到了山脚。当然这样走下去，有可能我们不能走到山脚，而是到了某一个局部的山势低处。
​ 由此，从上面的解释可以看出，梯度下降不一定能够找到全局的最优解，有可能是一个局部的最优解。当然，如果损失函数是凸函数，梯度下降法得到的解就一定是全局最优解。

4. 梯度下降核心思想归纳

• 确定优化模型的假设函数及损失函数。
• 初始化参数，随机选取取值范围内的任意数；

• 迭代操作：
  • 计算当前梯度
  • 修改新的变量
  • 计算朝最陡的下坡方向走一步
  • 判断是否需要终止，如否，梯度更新
• 得到全局最优解或者接近全局最优解。

5. 如何对梯度下降法进行调优

实际使用梯度下降法时，各项参数指标不能一步就达到理想状态，对梯度下降法调优主要体现在以下几个方面：

(1)算法迭代步长$\alpha$选择。
在算法参数初始化时，有时根据经验将步长初始化为1。实际取值取决于数据样本。可以从大到小，多取一些值，分别运行算法看迭代效果，如果损失函数在变小，则取值有效。如果取值无效，说明要增大步长。但步长太大，有时会导致迭代速度过快，错过最优解。步长太小，迭代速度慢，算法运行时间长。

(2)参数的初始值选择。
初始值不同，获得的最小值也有可能不同，梯度下降有可能得到的是局部最小值。如果损失函数是凸函数，则一定是最优解。由于有局部最优解的风险，需要多次用不同初始值运行算法，关键损失函数的最小值，选择损失函数最小化的初值。

(3)标准化处理。
由于样本不同，特征取值范围也不同，导致迭代速度慢。为了减少特征取值的影响，可对特征数据标准化，使新期望为0，新方差为1，可节省算法运行时间。

6. 随机梯度和批量梯度区别

​ 随机梯度下降(SDG)和批量梯度下降(BDG)是两种主要梯度下降法，其目的是增加某些限制来加速运算求解。
下面通过介绍两种梯度下降法的求解思路，对其进行比较。
假设函数为：
$$h_{\theta }(x_0,x_1,...,x_3)={\theta }_0{x}_0+{\theta }_1{x}_1+...+{\theta }_n{x}_n$$
损失函数为：
$$J({\theta }_0,{\theta }_1,...,{\theta }_n)=\frac{1}{2m}\sum _{j=0}^m(h_{\theta }(x_0^j,x_1^j,...,x_n^j)-y^j{)}^2$$
其中，$m$为样本个数，$j$为参数个数。

1、 批量梯度下降的求解思路如下：
a) 得到每个$\theta$对应的梯度：
$$\frac{\partial }{\partial {\theta }_i}J({\theta }_0,{\theta }_1,...,{\theta }_n)=\frac{1}{m}\sum _{j=0}^m(h_{\theta }(x_0^j,x_1^j,...,x_n^j)-y^j)x_i^j$$
b) 由于是求最小化风险函数，所以按每个参数 $\theta$ 的梯度负方向更新 $ \theta_i $ ：
$${\theta }_i={\theta }_i-\frac{1}{m}\sum _{j=0}^m(h_{\theta }(x_0^j,x_1^j,...,x_n^j)-y^j)x_i^j$$
c) 从上式可以注意到，它得到的虽然是一个全局最优解，但每迭代一步，都要用到训练集所有的数据，如果样本数据很大，这种方法迭代速度就很慢。
相比而言，随机梯度下降可避免这种问题。

2、随机梯度下降的求解思路如下：
a) 相比批量梯度下降对应所有的训练样本，随机梯度下降法中损失函数对应的是训练集中每个样本的粒度。
损失函数可以写成如下这种形式，
$$J({\theta }_0,{\theta }_1,...,{\theta }_n)=\frac{1}{m}\sum _{j=0}^m(y^j-h_{\theta }(x_0^j,x_1^j,...,x_n^j){)}^2=\frac{1}{m}\sum _{j=0}^{m}cost(\theta ,(x^j,y^j))$$
b)对每个参数 $ \theta$ 按梯度方向更新 $ \theta$：
$${\theta }_i={\theta }_i+(y^j-h_{\theta }(x_0^j,x_1^j,...,x_n^j))$$
c) 随机梯度下降是通过每个样本来迭代更新一次。
随机梯度下降伴随的一个问题是噪音较批量梯度下降要多，使得随机梯度下降并不是每次迭代都向着整体最优化方向。

小结：
随机梯度下降法、批量梯度下降法相对来说都比较极端，简单对比如下：

方法	特点
批量梯度下降	a)采用所有数据来梯度下降。 b)批量梯度下降法在样本量很大的时候，训练速度慢。
随机梯度下降	a)随机梯度下降用一个样本来梯度下降。 b)训练速度很快。 c)随机梯度下降法仅仅用一个样本决定梯度方向，导致解有可能不是全局最优。 d)收敛速度来说，随机梯度下降法一次迭代一个样本，导致迭代方向变化很大，不能很快的收敛到局部最优解。

下面介绍能结合两种方法优点的小批量梯度下降法。

3、 小批量(Mini-Batch)梯度下降的求解思路如下
对于总数为$m$个样本的数据，根据样本的数据，选取其中的$n(1<n<m)$个子样本来迭代。其参数$\theta$按梯度方向更新${\theta }_i$公式如下：
$${\theta }_i={\theta }_i-\alpha \sum _{j=t}^{t+n-1}(h_{\theta }(x_0^j,x_1^j,...,x_n^j)-y^j)x_i^j$$

7. 各种梯度下降法性能比较

​ 下表简单对比随机梯度下降(SGD)、批量梯度下降(BGD)、小批量梯度下降(Mini-batch GD)、和Online GD的区别：

	BGD	SGD	Mini-batch GD	Online GD
训练集	固定	固定	固定	实时更新
单次迭代样本数	整个训练集	单个样本	训练集的子集	根据具体算法定
算法复杂度	高	低	一般	低
时效性	低	一般	一般	高
收敛性	稳定	不稳定	较稳定	不稳定

​ Online GD于Mini-batch GD/SGD的区别在于，所有训练数据只用一次，然后丢弃。这样做的优点在于可预测最终模型的变化趋势。

​ Online GD在互联网领域用的较多，比如搜索广告的点击率(CTR)预估模型，网民的点击行为会随着时间改变。用普通的BGD算法(每天更新一次)一方面耗时较长(需要对所有历史数据重新训练)；另一方面，无法及时反馈用户的点击行为迁移。而Online GD算法可以实时的依据网民的点击行为进行迁移。

8. 推导多元函数梯度下降法的迭代公式。

根据多元函数泰勒公式，如果忽略一次以上的项，函数在$\mathbf{x}$点处可以展开为
$$f(\mathbf{x}+\Delta \mathbf{x})=f(\mathbf{x})+(\nabla f(\mathbf{x}){)}^{\mathrm{T}}\Delta \mathbf{x}+o(\Vert \mathbf{\Delta x}\Vert )$$
对上式变形，函数的增量与自变量增量、函数梯度的关系为
$$f(\mathbf{x}+\Delta \mathbf{x})-f(\mathbf{x})=(\nabla f(\mathbf{x}){)}^{\mathrm{T}}\Delta \mathbf{x}+o(\Vert \Delta \mathbf{x}\Vert )$$
如果令$\Delta \mathbf{x}=-\nabla f(\mathbf{x})$则有
$$f(\mathbf{x}+\Delta \mathbf{x})-f(\mathbf{x})\approx -(\nabla f(\mathbf{x}){)}^{\mathrm{T}}\nabla f(\mathbf{x})\le 0$$
即函数值减小。即有
$$f(\mathbf{x}+\Delta \mathbf{x})\le f(\mathbf{x})$$
梯度下降法每次的迭代增量为
$$\Delta \mathbf{x}=-\alpha \nabla f(\mathbf{x})$$
其中$\alpha$为人工设定的接近于的正数，称为步长或学习率。其作用是保证$\mathbf{x}+\Delta \mathbf{x}$在$\mathbf{x}$的
邻域内，从而可以忽略泰勒公式中的$o(\Vert \Delta \mathbf{x}\Vert )$项。

使用该增量则有
$$(\nabla f(\mathbf{x}){)}^{\mathrm{T}}\Delta \mathbf{x}=-\alpha (\nabla f(\mathbf{x}){)}^{\mathrm{T}}(\nabla f(\mathbf{x}))\le 0$$
函数值下降。从初始点${\mathbf{x}}_0$开始，反复使用如下迭代公式
$${\mathbf{x}}_{k+1}={\mathbf{x}}_k-\alpha \nabla f\left({\mathbf{x}}_k\right)$$
只要没有到达梯度为0的点，函数值会沿序列${\mathbf{x}}_k$递减，最终收敛到梯度为0 的点。从${\mathbf{x}}_0$
出发，用迭代公式进行迭代，会形成一个函数值递减的序列 { x i } \left\{\mathbf{x}_{i}\right\} {xi​}
$$f\left({\mathbf{x}}_0\right)\ge f\left({\mathbf{x}}_1\right)\ge f\left({\mathbf{x}}_2\right)\ge \dots \ge f\left({\mathbf{x}}_k\right)$$

9. 梯度下降法如何判断是否收敛？

迭代终止的条件是函数的梯度值为0(实际实现时是接近于0 即可)，此时认为已经达
到极值点。可以通过判定梯度的二范数是否充分接近于0 而实现。

10. 梯度下降法为什么要在迭代公式中使用步长系数？

其作用是保证$\mathbf{x}+\Delta \mathbf{x}$在$\mathbf{x}$的邻域内，即控制增量的步长，从而可以忽略泰勒公式中的
$o(\Vert \Delta \mathbf{x}\Vert )$项。否则不能保证每次迭代时函数值下降。

11. 梯度下降法和牛顿法能保证找到函数的极小值点吗，为什么？

不能，可能收敛到鞍点，不是极值点。

12. 解释一元函数极值判别法则。

假设$x_0$为函数的驻点，可分为以下三种情况。
case1：在该点处的二阶导数大于0，则为函数的极小值点；
case2：在该点处的二阶导数小于0，则为极大值点；
case3：在该点处的二阶导数等于0，则情况不定，可能是极值点，也可能不是极值点。

13. 解释多元函数极值判别法则。

假设多元函数在点M的梯度为0 ，即M 是函数的驻点。其Hessian 矩阵有如下几种情
况。
case1：Hessian 矩阵正定，函数在该点有极小值。
case2：Hessian 矩阵负定，函数在该点有极大值。
case3：Hessian 矩阵不定，则不是极值点，称为鞍点。
Hessian 矩阵正定类似于一元函数的二阶导数大于0，负定则类似于一元函数的二阶导
数小于0。

14. 什么是鞍点？

Hessian 矩阵不定的点称为鞍点，它不是函数的极值点。

15. 解释什么是局部极小值，什么是全局极小值。

• 全局极小值
  • 假设${\mathbf{x}}^{\ast }$是一个可行解，如果对可行域内所有点$\mathbf{x}$都有$f\left({\mathbf{x}}^{\ast }\right)\le f(\mathbf{x})$，则
    称${\mathbf{x}}^{\ast }$为全局极小值。
• 局部极小值
  • 对于可行解${\mathbf{x}}^{\ast }$，如果存在其$\delta$邻域，使得该邻域内的所有点即所有满足
    $\Vert \mathbf{x}-{\mathbf{x}}^{\ast }\Vert \le \delta$的点$\mathbf{x}$，都有$f\left(x^{\ast }\right)\le f(x)$，则称${\mathbf{x}}^{\ast }$为局部极小值。

16. 推导多元函数牛顿法的迭代公式。

根据费马定理，函数在点$\mathbf{x}$ 处取得极值的必要条件是梯度为0

$$\nabla f(\mathbf{x})=0$$
对于一般的函数，直接求解此方程组存在困难。对目标函数在${\mathbf{x}}_0$ 处作二阶泰勒展开
$$f(\mathbf{x})=f\left({\mathbf{x}}_0\right)+\nabla f{\left({\mathbf{x}}_0\right)}^{\mathrm{T}}\left(\mathbf{x}-{\mathbf{x}}_0\right)+\frac{1}{2}{\left(\mathbf{x}-{\mathbf{x}}_0\right)}^{\mathrm{T}}{\nabla }^{2}f\left({\mathbf{x}}_0\right)\left(\mathbf{x}-{\mathbf{x}}_0\right)+o\left({\Vert \mathbf{k}-{\mathbf{x}}_0\Vert }^2\right)$$
忽略二次以上的项，将目标函数近似成二次函数，等式两边同时对$\mathbf{x}$求梯度，可得
$$\nabla f(\mathbf{x})\approx \nabla f\left({\mathbf{x}}_0\right)+{\nabla }^{2}f\left({\mathbf{x}}_0\right)\left(\mathbf{x}-{\mathbf{x}}_0\right)$$
其中 ${\nabla }^{2}f\left({\mathbf{x}}_0\right)$为在${\mathbf{x}}_0$ 处的Hessian 矩阵。令函数的梯度为0 ，有
$$\nabla f\left({\mathbf{x}}_0\right)+{\nabla }^{2}f\left({\mathbf{x}}_0\right)\left(\mathbf{x}-{\mathbf{x}}_0\right)=0$$
解这个线性方程组可以得到
$$\mathbf{x}={\mathbf{x}}_0-{\left({\nabla }^{2}f\left({\mathbf{x}}_0\right)\right)}^{-1}\nabla f\left({\mathbf{x}}_0\right)\text{\hspace{1em}(1)}$$
如果将梯度向量简写为$\mathbf{g}$ ，Hessian 矩阵简记为$\mathbf{H}$ ，式(1)可以简写为
$$\mathbf{x}={\mathbf{x}}_0-{\mathbf{H}}^{-1}\mathbf{g}\text{\hspace{1em}(2)}$$
在泰勒公式中忽略了高阶项将函数做了近似，因此这个解不一定是目标函数的驻点，需要反复用式(2) 进行迭代。从初始点${\mathbf{x}}_0$处开始，计算函数在当前点处的Hessian 矩阵和梯度向量，然后用下面的公式进行迭代

$${\mathbf{x}}_{k+1}={\mathbf{x}}_k-\alpha {\mathbf{H}}_k^{-1}{\mathbf{g}}_k\text{\hspace{1em}(3)}$$

直至收敛到驻点处。迭代终止的条件是梯度的模接近于0 ，或达到指定的迭代次数。其中$\alpha$是人工设置的学习率。需要学习率的原因与梯度下降法相同，是为了保证能够忽略泰勒公式中的高阶无穷小项。