训练神经网络的常用方法之梯度下降法_traingda

训练神经网络的方法如下所示：

（1） traingd：基本梯度下降法，收敛速度比较慢。
（2） traingda：自适应学习率的梯度下降法
（3） traingdm：带有动量项的梯度下降法, 通常要比traingd 速度快。
（4） traingdx: 带有动量项的自适应学习算法, 速度要比traingdm 快。
（5） trainrp: 弹性BP 算法, 具有收敛速度快和占用内存小的优点。
(6) trainscg: 归一化共轭梯度法
(7) trainbfg: BFGS- 拟牛顿法
(8) traino ss: 一步分割法,为共轭梯度法和拟牛顿法的一种折衷方法。
(9) trainlm: Levenberg-Marquardt算法,对中等规模的网络来说, 是速度最快的一种训练算法, 其缺点是占用内存较大。 (10) trainbr: 贝叶斯规则法,对Levenberg-Marquardt算法进行修改, 以使网络的泛化能力更好，同时降低了确定最优网络结构的难度。

其中常用的包括梯度下降法、牛顿法、拟牛顿法以及共轭梯度法
一、 梯度下降法（Gradient descent）
1、梯度下降方法简介：它是最简单的训练算法。它仅需要用到梯度向量的信息，因此属于一阶算法。 梯度下降方法有一个严重的弊端，该方法需要进行很多次迭代运算。当神经网络模型非常庞大、包含上千个参数时，梯度下降方法是我们推荐的算法。

2、梯度下降的算法推导：

3、梯度下降的算法调优
(1)算法的步长选择。
实际取值取决于数据样本，可以多取一些值，从大到小，分别运行算法，看看迭代效果，如果损失函数在变小，说明取值有效，否则要增大步长。步长太大，会导致迭代过快，甚至有可能错过最优解。步长太小，迭代速度太慢，很长时间算法都不能结束。所以算法的步长需要多次运行后才能得到一个较为优的值。
(2)算法参数的初始值选择。
初始值不同，获得的最小值也有可能不同，因此梯度下降求得的只是局部最小值；当然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)归一化。
由于样本不同特征的取值范围不一样，可能导致迭代很慢，为了减少特征取值的影响，可以对特征数据归一化，也就是对于每个特征x，求出它的期望。

下面给出梯度下降法matlab代码的思路

clc                   % 清屏
clear                     % 清除内存以便加快运算速度
close all                % 关闭当前所有figure图像
%% 初始化神经网络

%设置训练与测试样本数


%% 设置神经网络输入数据
%给输入变量进行赋值

%归一化
%使用mapminmax该函数
%% 设置神经网络训练集和测试集
%设置训练集数据输入输出矩阵，p代表输入，T代表输出，将给出的数据前90个作为训练集
 P_train =;  
 T_train =;
 % 设置测试集数据输入输出矩阵，将给出数据的后10个作为测试集
 P_test =     %%测试集输出矩阵  
%% 设置训练参数
MaxEpochs=5000;                % 最多训练次数为50000
lr=0.01;                       % 学习速率为0.01
E0=0.001;                      % 目标误差为0.001
% e1=0.01;                     %梯度法最优值收敛精度
                     
%% 给定初始权值及偏置
W1=rand(HiddenUnitNum,Network_InNum);   % 初始化输入层与隐含层之间的权值
B1=rand(HiddenUnitNum,1);               % 初始化输入层与隐含层之间的偏置
W2=rand(Network_outNum,HiddenUnitNum);  % 初始化输出层与隐含层之间的权值
B2=rand(Network_outNum,1);              % 初始化输出层与隐含层之间的偏置
%% 训练神经网络
 %这里i是当训练的模型最终不满足精度时，训练到最大训练次数就截止
for i=1:MaxEpochs          
HiddenOut=tansig(W1*P_train+repmat(B1,1,TrainSamNum));              % 隐含层网络输出 ，双曲正切S型传输函数；另外一种是对数s型logsig=1/1+e^(-x)
NetworkOut=W2*HiddenOut+repmat(B2,1,TrainSamNum);           %输出层网络输出  tansig=1/arctan(x)+1
Error=T_train-NetworkOut;    % 实际输出与网络输出之差
f=sumsqr(Error);             % 能量函数(误差平方和)   1/2*sum(Error)^2

%% 用测试集测试已经训练好的神经网络
%% 求解网络输出的均方误差以及平均误差
%%绘图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42