Октава: логистическая регрессия: разница между fmincg и fminunc
Я часто использую fminunc
для задачи логистической регрессии. Я читал в интернете, что Эндрю Нг использует fmincg
вместо fminunc
, с теми же аргументами. Результаты бывают разные, и часто fmincg
точнее, но не слишком много. (Я сравниваю результаты функции fmincg fminunc с теми же данными)
Итак, мой вопрос : в чем разница между этими двумя функциями? Какой алгоритм реализована каждая функция? (Теперь я просто использую эти функции не зная точно, как они работают).
спасибо :)
6 ответов
вам придется заглянуть внутрь кода fmincg
потому что он не является частью Октавы. После некоторого поиска я обнаружил, что это функциональный файл, предоставленный классом машинного обучения Coursera как часть домашней работы. Читайте комментарии и ответы на этот вопрос для обсуждения алгоритмов.
в отличие от других ответов здесь, предполагающих, что основное различие между fmincg и fminunc-это точность или скорость, возможно, самое важное различие для некоторых приложений-эффективность памяти. В упражнении по программированию 4 (т. е. обучение нейронной сети) класса машинного обучения Эндрю Нг в Coursera, комментарий в ex4.m о fmincg является
%% =================== Часть 8: обучение NN ===================
% Теперь вы реализовали весь код необходимо тренировать нейрон
% сеть. Для тренировки вашей нейронной сети мы теперь будем использовать "fmincg", который
% функция, которая работает аналогично "сделать". Вспомните, что эти
% продвинутые оптимизаторы могут эффективно обучать наши функции затрат как
% пока мы предоставляем им вычисления градиента.
Как и оригинальный плакат, мне также было интересно, как результаты ex4.m может отличаться от fminunc вместо fmincg. Поэтому я попытался заменить вызов fmincg
options = optimset('MaxIter', 50);
[nn_params, cost] = fmincg(costFunction, initial_nn_params, options);
со следующим вызовом fminunc
options = optimset('GradObj', 'on', 'MaxIter', 50);
[nn_params, cost, exit_flag] = fminunc(costFunction, initial_nn_params, options);
но получил следующее сообщение об ошибке из 32-битной сборки Октавы, работающей в Windows:
ошибка: память исчерпана или запрошенный размер слишком велик для диапазона индекса Октавы введите -- пытается вернуться к prompt
32-разрядная сборка MATLAB, работающая в Windows, предоставляет более подробное сообщение об ошибке:
ошибка при использовании find
Нехватка памяти. Введите Help MEMORY для параметров.
Ошибка в spones (строка 14)
[i, j] = найти(ы);
Ошибка цвета (строка 26)
J = spones (J);
Ошибка в sfminbx (строка 155)
group = color (Hstr,p);
Ошибка в fminunc (строка 408)
и [X,FVAL,~,EXITFLAG,на выходе,град,мешковиной] = sfminbx(funfcn,х,л,ю, ...
Ошибка в ex4 (строка 205)
[nn_params, cost, exit_flag] = fminunc(функция costFunction, initial_nn_params, options);
команда памяти MATLAB на моем ноутбуке сообщает:
максимально возможный массив: 2046 МБ (2.146 e+09 байт)*
Память, доступная для всех массивов: 3402 МБ (3.568 e+09 байт)**
Память, используемая MATLAB: 373 МБ (3,910 e+08 байт)
Физическая память (ОЗУ): 3561 МБ (3,734 e+09 байт)
* Ограничено непрерывным виртуальным адресным пространством.
** Ограничено виртуальным адресным пространством.
Я ранее думал, что профессор НГ решил использовать fmincg для обучения ex4.M нейронная сеть (которая имеет 400 входных функций, 401 включая вход смещения) для увеличения скорости обучения. Однако теперь я считаю, что его причина использования fmincg заключалась в повышении эффективности памяти, достаточной для того, чтобы обучение выполнялось на 32-битных сборках Octave/MATLAB. Краткое обсуждение необходимой работы для получения 64-битного построение Октавы, которая работает на ОС Windows здесь.
По словам самого Эндрю Нг, fmincg
используется не для получения более точного результата (помните, что ваша функция затрат будет одинаковой в любом случае, и ваша гипотеза не будет проще или сложнее), а потому, что она более эффективна при выполнении градиентного спуска для особенно сложных гипотез. Он сам, кажется, использует fminunc
где гипотеза имеет несколько особенностей, но fmincg
где он имеет сотни.
почему fmincg работает?
вот копия исходного кода с комментариями, объясняющими различные алгоритмы. Это doozy, так как он делает то же самое, что делает мозг ребенка, когда учится различать собаку и стул.
это источник Октавы для fmincg.м.
function [X, fX, i] = fmincg(f, X, options, P1, P2, P3, P4, P5)
% Minimize a continuous differentialble multivariate function. Starting point
% is given by "X" (D by 1), and the function named in the string "f", must
% return a function value and a vector of partial derivatives. The Polack-
% Ribiere flavour of conjugate gradients is used to compute search directions,
% and a line search using quadratic and cubic polynomial approximations and the
% Wolfe-Powell stopping criteria is used together with the slope ratio method
% for guessing initial step sizes. Additionally a bunch of checks are made to
% make sure that exploration is taking place and that extrapolation will not
% be unboundedly large. The "length" gives the length of the run: if it is
% positive, it gives the maximum number of line searches, if negative its
% absolute gives the maximum allowed number of function evaluations. You can
% (optionally) give "length" a second component, which will indicate the
% reduction in function value to be expected in the first line-search (defaults
% to 1.0). The function returns when either its length is up, or if no further
% progress can be made (ie, we are at a minimum, or so close that due to
% numerical problems, we cannot get any closer). If the function terminates
% within a few iterations, it could be an indication that the function value
% and derivatives are not consistent (ie, there may be a bug in the
% implementation of your "f" function). The function returns the found
% solution "X", a vector of function values "fX" indicating the progress made
% and "i" the number of iterations (line searches or function evaluations,
% depending on the sign of "length") used.
%
% Usage: [X, fX, i] = fmincg(f, X, options, P1, P2, P3, P4, P5)
%
% See also: checkgrad
%
% Copyright (C) 2001 and 2002 by Carl Edward Rasmussen. Date 2002-02-13
%
%
% (C) Copyright 1999, 2000 & 2001, Carl Edward Rasmussen
%
% Permission is granted for anyone to copy, use, or modify these
% programs and accompanying documents for purposes of research or
% education, provided this copyright notice is retained, and note is
% made of any changes that have been made.
%
% These programs and documents are distributed without any warranty,
% express or implied. As the programs were written for research
% purposes only, they have not been tested to the degree that would be
% advisable in any important application. All use of these programs is
% entirely at the user's own risk.
%
% [ml-class] Changes Made:
% 1) Function name and argument specifications
% 2) Output display
%
% Read options
if exist('options', 'var') && ~isempty(options) && isfield(options, 'MaxIter')
length = options.MaxIter;
else
length = 100;
end
RHO = 0.01; % a bunch of constants for line searches
SIG = 0.5; % RHO and SIG are the constants in the Wolfe-Powell conditions
INT = 0.1; % don't reevaluate within 0.1 of the limit of the current bracket
EXT = 3.0; % extrapolate maximum 3 times the current bracket
MAX = 20; % max 20 function evaluations per line search
RATIO = 100; % maximum allowed slope ratio
argstr = ['feval(f, X']; % compose string used to call function
for i = 1:(nargin - 3)
argstr = [argstr, ',P', int2str(i)];
end
argstr = [argstr, ')'];
if max(size(length)) == 2, red=length(2); length=length(1); else red=1; end
S=['Iteration '];
i = 0; % zero the run length counter
ls_failed = 0; % no previous line search has failed
fX = [];
[f1 df1] = eval(argstr); % get function value and gradient
i = i + (length<0); % count epochs?!
s = -df1; % search direction is steepest
d1 = -s'*s; % this is the slope
z1 = red/(1-d1); % initial step is red/(|s|+1)
while i < abs(length) % while not finished
i = i + (length>0); % count iterations?!
X0 = X; f0 = f1; df0 = df1; % make a copy of current values
X = X + z1*s; % begin line search
[f2 df2] = eval(argstr);
i = i + (length<0); % count epochs?!
d2 = df2'*s;
f3 = f1; d3 = d1; z3 = -z1; % initialize point 3 equal to point 1
if length>0, M = MAX; else M = min(MAX, -length-i); end
success = 0; limit = -1; % initialize quanteties
while 1
while ((f2 > f1+z1*RHO*d1) | (d2 > -SIG*d1)) & (M > 0)
limit = z1; % tighten the bracket
if f2 > f1
z2 = z3 - (0.5*d3*z3*z3)/(d3*z3+f2-f3); % quadratic fit
else
A = 6*(f2-f3)/z3+3*(d2+d3); % cubic fit
B = 3*(f3-f2)-z3*(d3+2*d2);
z2 = (sqrt(B*B-A*d2*z3*z3)-B)/A; % numerical error possible - ok!
end
if isnan(z2) | isinf(z2)
z2 = z3/2; % if we had a numerical problem then bisect
end
z2 = max(min(z2, INT*z3),(1-INT)*z3); % don't accept too close to limits
z1 = z1 + z2; % update the step
X = X + z2*s;
[f2 df2] = eval(argstr);
M = M - 1; i = i + (length<0); % count epochs?!
d2 = df2'*s;
z3 = z3-z2; % z3 is now relative to the location of z2
end
if f2 > f1+z1*RHO*d1 | d2 > -SIG*d1
break; % this is a failure
elseif d2 > SIG*d1
success = 1; break; % success
elseif M == 0
break; % failure
end
A = 6*(f2-f3)/z3+3*(d2+d3); % make cubic extrapolation
B = 3*(f3-f2)-z3*(d3+2*d2);
z2 = -d2*z3*z3/(B+sqrt(B*B-A*d2*z3*z3)); % num. error possible - ok!
if ~isreal(z2) | isnan(z2) | isinf(z2) | z2 < 0 % num prob or wrong sign?
if limit < -0.5 % if we have no upper limit
z2 = z1 * (EXT-1); % the extrapolate the maximum amount
else
z2 = (limit-z1)/2; % otherwise bisect
end
elseif (limit > -0.5) & (z2+z1 > limit) % extraplation beyond max?
z2 = (limit-z1)/2; % bisect
elseif (limit < -0.5) & (z2+z1 > z1*EXT) % extrapolation beyond limit
z2 = z1*(EXT-1.0); % set to extrapolation limit
elseif z2 < -z3*INT
z2 = -z3*INT;
elseif (limit > -0.5) & (z2 < (limit-z1)*(1.0-INT)) % too close to limit?
z2 = (limit-z1)*(1.0-INT);
end
f3 = f2; d3 = d2; z3 = -z2; % set point 3 equal to point 2
z1 = z1 + z2; X = X + z2*s; % update current estimates
[f2 df2] = eval(argstr);
M = M - 1; i = i + (length<0); % count epochs?!
d2 = df2'*s;
end % end of line search
if success % if line search succeeded
f1 = f2; fX = [fX' f1]';
fprintf('%s %4i | Cost: %4.6e\r', S, i, f1);
s = (df2'*df2-df1'*df2)/(df1'*df1)*s - df2; % Polack-Ribiere direction
tmp = df1; df1 = df2; df2 = tmp; % swap derivatives
d2 = df1'*s;
if d2 > 0 % new slope must be negative
s = -df1; % otherwise use steepest direction
d2 = -s'*s;
end
z1 = z1 * min(RATIO, d1/(d2-realmin)); % slope ratio but max RATIO
d1 = d2;
ls_failed = 0; % this line search did not fail
else
X = X0; f1 = f0; df1 = df0; % restore point from before failed line search
if ls_failed | i > abs(length) % line search failed twice in a row
break; % or we ran out of time, so we give up
end
tmp = df1; df1 = df2; df2 = tmp; % swap derivatives
s = -df1; % try steepest
d1 = -s'*s;
z1 = 1/(1-d1);
ls_failed = 1; % this line search failed
end
if exist('OCTAVE_VERSION')
fflush(stdout);
end
end
fprintf('\n');
fmincg является более точным, чем fminunc. Время, затраченное ими обоими, почти одинаково.В нейронной сети или вообще у которой больше нет весов fminunc может выдать из памяти ошибку.Таким образом, fmincg более эффективен для памяти.
используя fminunc, точность 93.10 и взятое время 11.3794 секунды.
Testing lrCostFunction() with regularization
Cost: 2.534819
Expected cost: 2.534819
Gradients:
0.146561
-0.548558
0.724722
1.398003
Expected gradients:
0.146561
-0.548558
0.724722
1.398003
Program paused. Press enter to continue.
Training One-vs-All Logistic Regression...
id = 1512324857357
Elapsed time is 11.3794 seconds.
Program paused. Press enter to continue.
Training Set Accuracy: 93.100000
используя fmincg, точность 95.12 и принятое время 11.7978 секунд.
Testing lrCostFunction() with regularization
Cost: 2.534819
Expected cost: 2.534819
Gradients:
0.146561
-0.548558
0.724722
1.398003
Expected gradients:
0.146561
-0.548558
0.724722
1.398003
Program paused. Press enter to continue.
Training One-vs-All Logistic Regression...
id = 1512325280047
Elapsed time is 11.7978 seconds.
Training Set Accuracy: 95.120000
fmincg использует метод сопряженных градиентов
Если вы посмотрите на изображение по этой ссылке, вы увидите, что метод CG сходится намного быстрее, чем fminunc, но он предполагает ряд ограничений, которые, я думаю, не требуются в методе fminunc (BFGS) (сопряженные векторы против не сопряженных векторов).
другими словами, метод fmincg быстрее, но грубее, чем fminunc, поэтому он лучше работает для огромных матриц (многие функции, как тысячи) против более мелких С до сотен функций. Надеюсь, это поможет.