关于梯度训练介绍，batch-GD， SGD， Mini-batch-GD， Stochastic GD， Online-GD

在线学习与随机梯度下降
最新推荐文章于 2025-06-03 10:35:44 发布
转载 最新推荐文章于 2025-06-03 10:35:44 发布 · 3.9k 阅读 · 3

本文探讨了在线学习（Online Learning）与随机梯度下降（SGD）两种机器学习算法。在线学习利用实时数据进行训练，特别适用于互联网环境下数据不断产生的场景。而SGD作为mini-batch GD的一种特殊情况，每次仅使用一个训练样本来更新参数。


3. Stochastic GD （SGD）

 随机梯度下降算法（SGD）是mini-batch GD的一个特殊应用。SGD等价于b=1的mini-batch GD。即，每个mini-batch中只有一个训练样本。

4. Online GD

随着互联网行业的蓬勃发展，数据变得越来越“廉价”。很多应用有实时的，不间断的训练数据产生。在线学习（Online Learning）算法就是充分利用实时数据的一个训练算法。

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。这样做的好处是可以最终模型的变化趋势。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batch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 Leaning的算法可以实时的最终网民的点击行为迁移。

 

Ref：

1. http://en.wikipedia.org/wiki/Gradient_descent





小批量梯度下降法(Minibatch GD)原理与代码实战案例讲解
AI天才研究院
06-02 1266
小批量梯度下降法(Mini-batch GD)原理与代码实战案例讲解 1.背景介绍 在机器学习和深度学习领域中,优化算法扮演着至关重要的角色。它们旨在寻找模型参数的最优值,使得模型在训练数据上的损失函数(loss function)最小化。梯度下降(Gradi
mini_batch GD
weixin_34117522的博客
07-30 235
工作过程：训练总样本个数是固定的，batch_size大小也是固定的，但组成一个mini_batch的样本可以从总样本中随机选择。将mini_batch中每个样本都经过前向传播和反向传播，求出每个样本在每一层每个神经元关于w和b的梯度。注意：同一个mini_batch中所有样本经过网络时，网络的参数是相同的（因为每次梯度更新是经过一个mini_batch后才更新的，不是一个样本就更新）。然后对于每...
梯度下降：BGD、SGD、Mini-Batch GD
xiaotian13的博客
05-10 761
梯度下降：BGD、SGD、Mini-Batch GD 简介 梯度下降(Gradient Descent)是常见的优化算法，它是一系列优化算法的基石，是一个良好的思路。 Preliminaries and Notation：优化模型 给定一个无约束优化问题形如 min⁡xf(x)(1) \min_\mathbf{x} f(\mathbf{x}) \tag{1} xmin​f(x)(1) 其中 x∈Rn,f:Rn→R\mathbf{x} \in \mathbb R^n, f:\mathbb R^{n} \ri
Mxnet (27): 小批量随机梯度下降（Minibatch-SGD）
泛泛之素
10-02 954
目前为止，梯度学习的方法中有两个极端： 一次使用所有的数据计算梯度和更新参数；一次计算一次梯度。 1 向量化和缓存 决定使用小批量的主要原因是计算效率。当考虑并行化到多个GPU和多个服务器时很好解释。我们需要向每一个GPU至少发送一个图像，假设每个服务器8个GPU一共16个服务器，那么我们的最小批次已经达到了128。 在单个GPU甚至CPU来看，情况更加微妙。设备的内存类型千奇百怪，用于计算的单元也不尽相同，而且服务器之间的带宽限制也是不同的。例如，CPU的寄存器数量比较少，之后是L1,L2高速缓存，某些情
mini-batch SGD 和 backprop
moyu916的博客
05-08 349
mini-batch SGD 是先将train_data顺序打乱，每次取mini-batch个训练数据进行一次梯度下降与反向传播。取完整个训练集称为一个epoch 在⼀个⼩批量数据上的反向传播的全矩阵⽅法 我们对于随机梯度下降的实现是对⼀ 个⼩批量数据中的训练样本进⾏遍历。所以也可以更改反向传播算法使得它同时对 ⼀个⼩批量数据中的所有样本进⾏梯度计算。这个想法其实就是我们可以⽤⼀个矩阵 X = [...
DL优化函数之mini-batch SGD
weixin_40255359的博客
09-04 3394
SGD随机梯度下降法对经典的梯度下降法有了极大速度的提升。但有一个问题就是由于过于自由 导致训练的loss波动很大。那么如何可以兼顾经典GD的稳定下降同时又保有SGD的随机特性呢？于是小批量梯度下降法, mini-batch gradient descent 便被提了出来。其主要思想就是每次只拿总训练集的一小部分来训练，比如一共有5000个样本，每次拿100个样本来计算loss，更新参数。50次后...
关于梯度下降batch-GD，SGD，Mini-batch-GD，Stochastic GD，Online-GD的介绍
hackerlee
01-22 2318
梯度下降：是求一个函数最小值的一阶迭代优化算法。 为了使用梯度下降找到函数的局部最小值，可以采取与当前点的函数的梯度（或近似梯度）的负值成比例的步骤。 如果取而代之的是与梯度正相关的步骤，则接近该函数的局部最大值; 该程序然后被称为梯度上升。 梯度下降也被称为最速下降。 但是，梯度下降不应该与用于近似积分的最陡下降的方法混淆。 batch、mini-batch、SGD、online的区别在于训
Mini-batch-SGD-master.zip_MBGD小批量梯度下降_batch_多项式回归
09-24
它介于批量梯度下降（Batch Gradient Descent）和随机梯度下降（Stochastic Gradient Descent, SGD）之间，结合了两者的优点。在本项目"Mini-batch-SGD-master.zip"中，重点是通过实现MBGD来解决多项式回归问题，并...
梯度下降：BGD、SGD、mini-batch GD介绍及其优缺点
Activewaste
01-21 1万+
引言 梯度下降：两个意思， 根据梯度（导数）的符号来判断最小值点x在哪； 让函数值下降（变小）。 简单来说就是一种寻找目标函数最小化的方法，它利用梯度信息，通过不断迭代调整参数来寻找合适的目标值。 其共有三种： BGD,batch gradient descent:批量梯度下降 SGD,stochastic gradient descent:随机梯度下降 mini-batch GD,mini-batch gradient descent:小批量梯度下降 BGD 假设有损失函数： y ^ 是预测值，
小批量随机梯度下降（Mini-batch Stochastic Gradient Descent，Mini-batch SGD）。
05-22
小批量随机梯度下降（Mini-batch SGD）是一种梯度下降法的变体，它是一种介于批量梯度下降（Batch Gradient Descent）和随机梯度下降（Stochastic Gradient Descent）之间的方法。Mini-batch SGD 取样一小部分训练集...
小批量随机梯度下降（Mini-batch Stochastic Gradient Descent，简称 Mini-batch SGD）
最新发布
m0_69648014的博客
06-03 510
在训练机器学习模型时，目标通常是最小化一个损失函数。梯度下降算法通过迭代更新模型的参数，沿着损失函数的负梯度方向移动，从而逐步降低损失值。
批梯度下降法(Batch Gradient Descent )，小批梯度下降 (Mini-Batch GD)，随机梯度下降 (Stochastic GD)
热门推荐
cs24k1993的博客
01-21 2万+
一、梯度下降法 　　在机器学习算法中，对于很多监督学习模型，需要对原始的模型构建损失函数，接下来便是通过优化算法对损失函数进行优化，以便寻找到最优的参数。在求解机器学习参数的优化算法中，使用较多的是基于梯度下降的优化算法(Gradient Descent, GD)。 　　梯度下降法有很多优点，其中，在梯度下降法的求解过程中，只需求解损失函数的一阶导数，计算的代价比较小，这使得梯度下降法能在很多
批梯度下降法(Batch Gradient Descent )，小批梯度下降 (Mini-Batch GD)，随机梯度下降 (Stochastic GD)
厚积薄发的博客
08-14 4073
Batch 的选择，首先决定的是下降的方向。随机梯度下降是通过每个样本来迭代更新一次，如果样本量很大的情况（例如几十万），那么可能只用其中几万条或者几千条的样本，就已经将theta迭代到最优解了，对比上面的批量梯度下降，迭代一次需要用到十几万训练样本，一次迭代不可能最优，如果迭代10次的话就需要遍历训练样本10次。（2）随机梯度下降—最小化每条样本的损失函数，虽然不是每次迭代得到的损失函数都向着全局最优方向， 但是大的整体的方向是向全局最优解的，最终的结果往往是在全局最优解附近。
花书+吴恩达深度学习（六）优化方法之 Mini-batch（SGD, MBGD, BGD）
今天你学习了吗
12-03 2648
目录 0. 前言 1. Batch gradient descent（BGD） 2. Stochastic gradient descent（SGD） 3. Mini-batch gradient descent（MBGD） 如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔~我会非常开心的~ 花书+吴恩达深度学习（五）正则化方法（防止过拟合） 花书+吴恩达深度学习（六）优化方...
7.3_minibatch-sgd
taifyang的博客
06-13 1042
7.3 小批量随机梯度下降 在每一次迭代中，梯度下降使用整个训练数据集来计算梯度，因此它有时也被称为批量梯度下降（batch gradient descent）。而随机梯度下降在每次迭代中只随机采样一个样本来计算梯度。正如我们在前几章中所看到的，我们还可以在每轮迭代中随机均匀采样多个样本来组成一个小批量，然后使用这个小批量来计算梯度。下面就来描述小批量随机梯度下降。 设目标函数f(x):Rd→Rf(\boldsymbol{x}): \mathbb{R}^d \rightarrow \mathbb{R}f(x
【算法学习】优化算法-小批量随机梯度下降mini-batch SGD
lxlyhwl的博客
10-11 2189
深度学习中常见的优化算法mini-batch SGD的学习总结。
Batch GD/Mini-batch GD/SGD/Mini-batch SGD/Online GD
不知道是谁的博客
04-03 763
Use the following loss function as an example: The parameter updating function should be: 1. Batch GD In the above function, m is the size of the whole batch, it updates parameters on the w
神经网络各种优化算法
luoyehuixuanaaaa的博客
03-11 3508
https://www.cnblogs.com/guoyaohua/p/8542554.html 梯度下降法是最流行的优化算法之一，并且目前为止是优化神经网络常见的算法。梯度下降是一种通过在目标函数梯度的反向上更新模型参数，来最小化模型参数的目标函数的方法。学习率决定了我们前往（局部）极小值的步长。 梯度下降算法变种，它们不同之处在于我们在计算目标函数梯度时所用数据量的多少。依据数据的规模，我们...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值