强化学习：随机近似与随机梯度下降

news2024/9/25 3:21:17

mean estimation

通过前面的学习，我们知道可以通过很多采样来求期望。而求 $\bar x$ 的方法由两种，一是直接将采样数据相加再除以个数，但这样的方法运行效率较低。
在这里插入图片描述
第二种方法是迭代式的计算，即来几个数据就算几个数据，具体计算如下：

随机近似法：Robbins-Monro(RM)

假设我们现在需要求解方程：
$g (w) = 0$

那么就有两种情况，一种是函数表达式我们知道，而另一种是表达式我们不知道。表达式不知道，怎么求解呢？实际上，RM 算法可以求解。下面，以求解方程为例，我们来学习 RM 算法，RM 算法是一种迭代算法。
在这里插入图片描述
其中， $a_k$ 是一个正系数。 ${\{w_k}\}$ 是输入序列， $\widetilde{g}{\{w_k,\eta _k}\}$ 是输出序列。为了方便理解，我们给出一个具体的例子：
$g (w) = t anh (w - 1)$
我们知道 $g (w)$ 的真实解 $w^*$ =1，给定初始值 $w_1$ =3, $a_k=1/k$ ， $\eta _k=0$ ，计算得到的结果 $w^*=1$ 如下：
在这里插入图片描述

RM算法：收敛性分析

上面的分析是直观的，并不严格，现在我们给出下列数学严格的收敛条件。

在这里插入图片描述
条件一：表明要求函数 $g$ 是一个递增函数，其梯度是有界的。

条件二：关于系数 $a_k$
$a_k$ 的和应该等于无穷，为什么？我们将 MR 算法分别写出来，在相加可以得到如下式子：
在这里插入图片描述
表明，如果 $a_k$ 的和小于无穷，那么 $a_k\widetilde{g}{(w_k,\eta _k)}$ 的和是有界的，则说明 $w_1$ 不能随便定，而 $a_k$ 的和等于无穷，使得我们可以放心选用初始值 $w_1$ 。

$a_k^2$ 的和应该小于无穷，表明 $a_k$ 一定会收敛到0，为什么呢？
在这里插入图片描述
可知，如果 $a_k$ 趋近于0，那么就有 $a_k\widetilde{g}{(w_k,\eta _k)}$ 趋近于0，即有 $w_{k+1}-w_k$ 趋近于0。

我们会发现在许多强化学习算法中，通常会选择 $a_k$ 作为一个足够小的常数，因为 1/k 会越来越小导致算法效率较低。尽管在这种情况下第二个条件没有被满足，但算法仍然可以有效地工作，因为实际迭代的次数是有限。

条件三：关于系数 $\eta$ ，表明 $\eta$ 的期望为0，方差有界。

随机梯度下降法：SGD

随机梯度下降(SGD)算法广泛应用于机器学习领域和RL领域，SGD是一种特殊的RM算法，而均值估计算法是一种特殊的SGD算法。

假设我们目的是求解优化问题，有方程：
在这里插入图片描述
$w$ 是要优化的参数。 $X$ 是一个随机变量。期望是关于X的。其中 $w$ 和 $X$ 既可以是标量，也可以是向量。函数 $f (.)$ 是标量。

现在，我们的目标是要找到最优的 $w$ 使得目标函数达到最小。求解的方法有三种：

梯度下降(GD)

在这里插入图片描述
GD 算法思路就是沿着梯度的方向去进行下降找到最小值，从而使得到的解逼近真实值 $w^*$ ， $a_k$ 为步长，控制下降的速度。其特点是要知道函数梯度，如果不知道梯度函数怎么求解呢？

批量梯度下降(BGD)

批量梯度下降法是利用数据来避免求解梯度函数。通过大量采样，最后用平均值来近似代替梯度函数的期望，如下：

在这里插入图片描述
但存在的问题是，对于每个 $w_k$ 都需要采样许多样本。

随机梯度下降法(SGD)

在这里插入图片描述
随机梯度下降法与梯度下降法相比：用 $_kf(w_k,x_k)$ 取代真实梯度 $E[▽_kf(w_k,x_k)]$ ，与批处理梯度下降法相比，n=1，即只采样一次。

.
我们考虑这样一个优化例子：
在这里插入图片描述
我们知道优化的解 $w^*=E[X]$ ，我们知道 $J (m)$ 要达到最小值，它的一个必要条件是 $▽ J (w) = 0$ ，可以得到 $w^*=E[X]$

用梯度下降(GD)求解：
在这里插入图片描述

SGD算法：收敛性分析

SGD的一个基本思路就是从 GD 到 SGD ，因为 E 是不知道的，所以干脆就把 E 给去掉，然后用一个采样来近似代替这个 E，用随机梯度代替真实梯度，这就是SGD。我们很容易知道，它们之间肯定是存在误差，如下：
在这里插入图片描述

存在误差的种情况下，用SGD是否能够找到最优的那个解呢?答案是肯定的，那么为什么呢？实际上，SG是一个特殊的RM算法。证明如下：

SGD要解决问题是去优化求解这样一个方程，我们可以将这个优化问题转换成一个求解方程 $g (w)$ 的问题，然后就用 RM 算法求解。所以说SGD算法实际上是求解解方程 $g (w)$ 根的特殊问题的一个RM算法。

在这里插入图片描述

因为SGD是一个特殊的RM算法，那么前面RM算法的收敛性就可以应用到SGD的收敛性分析当中。
在这里插入图片描述

SGD算法的性质

SGD是用随机梯度代替真实梯度，而随机梯度具有随机性，那会不会造成 SGD 收敛的随机性也比较大?为回答这个问题，用相对误差来分析随机和批处理梯度两者之间，利用拉格朗日中值定理得到如下式子：

在这里插入图片描述
我们假设 $f$ 的二阶梯度是一个正数

得到以下推式：

根据上述方程，我们可以得到 SGD 的一个有趣的收敛性质。相对误差 $δ_k$ 与 $w_k - w^*|$ 成反比；当 $w_k - w^*|$ 较大时，得到的相对误差 $δ_k$ 较小，SGD 类似于 GD 。当 $w_k$ 接近 $w^*$ 时，相对误差 $δ_k$ 可能较大，并且在 $w^*$ 附近的收敛表现出更多的随机性。
.
现在，我们以一个例子来理解这个性质。 $X∈R^2$ 表示平面上的一个随机位置。其分布在以原点为中心、边长为20的正方形区域内均匀分布，现在随机采样100个样本 ${\{x_i}\}_{i=0}^{100}$ ，其真实均值为 E[X] = 0，现在我们用上述算法进行均值估计计算，结果如下：

在这里插入图片描述
可以发现，当均值的初始猜测与真实值相差较远，SGD估计可以快速接近真实值的邻域，尽管当估计接近真实值时，它表现出一定的随机性，但仍然逐渐接近真实值。
.
我们可能会经常会遇到一种确定性的SGD公式，没有涉及任何随机变量，这样的问题怎么求解呢？如下图：
在这里插入图片描述
$f(w, x_i)$ 是一个参数化函数， $w$ 是要优化的参数。
${\{x_i}\}_{i=0}^{n}$ 是一组实数，其中 $x_i$ 不是任何随机变量的样本。

.
那么，我们能不能用 SGD 算法进行求解呢？我们用其平均值 $x_k$ 来代替求平均的过程，得到的式子与 SGD 非常相似，但不同的是其中没有涉及随机变量。为了可以使用 SGD 算法，我们手动引入随机变量，我们就引入一个随机变量 $X$ , $X$ 是定义在集合 ${\{x_i}\}_{i=0}^{n}$ 上的， $x_i$ 服从均匀分布，每个被取到的概率都是 $1/ n$ 。这样我们就转换成了 $E [f (w, X)]$ ，求解这个问题自然也就是 SGD 算法。如下：
在这里插入图片描述

对比：BGD、MBGD、SGD

假设我们想要最小化 $J (w) = E [f (w, X)]$ ，给定一组随机样本 ${\{x_i\}_{i=0}^n}$ 。分别用批量梯度下降(BGD)、随机梯度下降(SGD)和小批量梯度下降(MBGD)解决这个问题。

在这里插入图片描述

在BGD算法中，所有样本在每次迭代中都被使用。当 $n$ 很大时， $1/n) * Σ_{i=1}^n▽wf(w_k,x_i)$ 接近真实梯度 $E[▽wf(w_k,x_i)]$ 。

在MBGD算法中， $I_k$ 是 ${1,..,n}$ 的一个子集，其大小为 $I_k| = m$ ，集合 $I_k$ 通过 $m$ 次独立采样得到。

在SGD算法中， $x_k$ 是从 ${\{x_i\}_{i=0}^n}$ 中随机采样得到的。

总结：
一定程度上，MGBD 包括了 BGD 与 SGD 。当 $m = 1$ 时就变成了SGD ，当 $m$ 较大时不完全变成 BGD 因为MBGD使用的是随机获取的n个样本，而BGD使用所有n个样本，其中MBGD可能多次使用同一个值，而BGD只使用每个数字一次。相比与SGD，MBGD具有较少的随机性，因为它使用更多的样本，而不仅仅是SGD中的一个样本；与BGD相比，MBGD不需要在每次迭代中使用所有样本，使其更加灵活和高效。

案例
在给定的 ${x_i}$ ，我们的目标是计算均值 $1/n) * Σ_{i=1}^n||w-x_i||$ 。这个问题可以等价地表述为以下优化问题：
在这里插入图片描述