Spark MLib：梯度下降算法实现

声明：本文参考《大数据：Spark mlib(三) GradientDescent梯度下降算法之Spark实现》

1. 什么是梯度下降？

梯度下降法（英语：Gradient descent）是一个一阶最优化算法，通常也称为最速下降法。要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。

先来看两个函数：

1. 拟合函数：为参数向量，h(θ)就是通过参数向量计算的值，n为参数的总个数，j代表的是一条记录里的一个参数

2. 损失函数：

m为训练的集合数，i代表的是一条记录，hθ(xi)代表的是第i条的h(θ)

在监督学习模型中，需要对原始的模型构建损失函数J(θ), 接着就是最小化损失函数，用以求的最优参数θ

对损失函数θ进行求偏导，获取每个θ的梯度

2. 梯度下降的几种方式

2.1 批量梯度下降（BGD）

在前面的方式，我们采样部分数据，就称为批量梯度下降

在公式：

中我们会发现随着计算θ的梯度下降，需要计算所有的采样数据m，计算量会比较大。

2.2 随机梯度下降 (SGD)

在上面2.1的批量梯度下降，采样的是批量数据，那么随机采样一个数据，进行θ梯度下降，就被称为随机梯度下降。

损失函数：

那么单样本的损失函数：m=1 的情况：

对单样本的损失函数进行求偏导，计算梯度下降

为了控制梯度下降的速度，引入步长

3. Spark 实现的梯度下降

spark实现在mlib库下org.apache.spark.mllib.optimization.GradientDescent类中

3.1 随机梯度？

看函数名字叫做SGD，会以为是随机梯度下降，实际上Spark里实现的是随机批量的梯度下降

我们去看梯度下降的批量算法公式：

这个公式可以拆分成两部分

计算数据的梯度
根据梯度计算新的权重

3.2 计算梯度

在前面的章节里描述过随机和批量的主要区别就是在计算梯度上，随机采样只是随机采用单一样本，而批量采样如果采样所有数据，涉及到采样的样本、计算量大的问题，Spark采用了择中的策略，随机采样部分数据

先随机采样部分数据

data.sample(false, miniBatchFraction, 42 + i)

对部分数据样本进行聚合计算

treeAggregate((BDV.zeros[Double](n), 0.0, 0L))(  
          seqOp = (c, v) => {  
            // c: (grad, loss, count), v: (label, features)  
            val l = gradient.compute(v._2, v._1, bcWeights.value, Vectors.fromBreeze(c._1))  
            (c._1, c._2 + l, c._3 + 1)  
          },  
          combOp = (c1, c2) => {  
            // c: (grad, loss, count)  
            (c1._1 += c2._1, c1._2 + c2._2, c1._3 + c2._3)  
          })

使用treeAggregate，而没有使用Aggregate，是因为treeAggregate比aggregate更高效，combOp会在executor上执行

在聚合计算的seqOp里我们看到了gradient.compute来计算梯度

3.2.1 Spark 提供的计算梯度的方式

LeastSquaresGradient 梯度，主要用于线型回归
HingeGradient 梯度，用于SVM分类
LogisticGradient 梯度，用于逻辑回归

前面章节里描述的就是基于线性回归模型的计算梯度的方式，也就是如下公式：

3.3 跟新权重theta θ

在梯度下降计算中，计算新的theta（也叫权重的更新），更新的算法由你采用的模型来决定

val update = updater.compute(  
          weights, Vectors.fromBreeze(gradientSum / miniBatchSize.toDouble),  
          stepSize, i, regParam)

目前Spark默认提供了3种算法跟新theta

SimpleUpdater
L1Updater
SquaredL2Updater

3.3.1 SimpleUpdater

以SimpleUpdater来说：

SimpleUpdater extends Updater {  
  override def compute(  
      weightsOld: Vector,  
      gradient: Vector,  
      stepSize: Double,  
      iter: Int,  
      regParam: Double): (Vector, Double) = {  
    val thisIterStepSize = stepSize / math.sqrt(iter)  
    val brzWeights: BV[Double] = weightsOld.asBreeze.toDenseVector  
    brzAxpy(-thisIterStepSize, gradient.asBreeze, brzWeights)  
  
    (Vectors.fromBreeze(brzWeights), 0)  
  }  
}

也就是上面提到的公式：

相对来说simpleupdater算法比较简单，在这里没有使用正则参数regParam，只是使用了每个迭代的步长作为相同的因子，计算每一个theta，也就是权重。

迭代的步长=总步长/math.sqrt(迭代的次数)

3.3.2 其它的正则参数化算法

L1Updater：正则化算法

和SimpleUpdater一样更新权重
将正则化参数乘以迭代步长的到比较参数：shrinkage
如果权重大于shrinkage，设置权重-shrinkage
如果权重小于-shrinkage，设置权重+shrinkage
其它的，设置权重为0

SquaredL2Updater：正则化算法

w' = w - thisIterStepSize * (gradient + regParam * w)

和SimpleUpdater比较，补偿了regParam*w ,这也是逻辑回归所采用的梯度下降算法的更新算法

4. 梯度下降收敛条件

如何判定梯度下降权重值收敛不在需要计算，通常会有两个约束条件

迭代次数，当达到一定的迭代次数后，权重的值会被收敛到极值点，并且不会受到次数的影响
筏值：当两次迭代的权重之间的差小于指定的筏值的时候，就认为已经收敛

在Spark里使用了L2范数来比较筏值

private def isConverged(  
    previousWeights: Vector,  
    currentWeights: Vector,  
    convergenceTol: Double): Boolean = {  
  // To compare with convergence tolerance.  
  val previousBDV = previousWeights.asBreeze.toDenseVector  
  val currentBDV = currentWeights.asBreeze.toDenseVector  
  
  // This represents the difference of updated weights in the iteration.  
  val solutionVecDiff: Double = norm(previousBDV - currentBDV)  
  
  solutionVecDiff < convergenceTol * Math.max(norm(currentBDV), 1.0)  
}

当前后权重的差的L2，小于筏值*当前权重的L2和1的最大值，就认为下降结束。

5. Spark实现梯度下降的实现示例：

import org.apache.spark.sql.SparkSession
import org.apache.spark.{SparkConf}
import org.apache.spark.mllib.linalg.{Vectors}
import org.apache.spark.mllib.optimization._

object SGDExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
    conf.set("spark.sql.broadcastTimeout", "10000")
    conf.set("fs.defaultFS", "hdfs://abccluster")
    val spark = SparkSession.builder().appName("hz_mlib").config(conf).enableHiveSupport().getOrCreate()


    /**
      * 这里以简单的y=3*x+1为例来简单使用一下
      * 测试数据就随意
      * 1 0 1
      * 7 2 1
      * 10 3 1
      * 4 1 1
      * 19 6 1
      **/
    val list = List[scala.Tuple2[scala.Double, org.apache.spark.mllib.linalg.Vector]](
      Tuple2(1d, Vectors.dense(0.0d, 1d)),
      Tuple2(7d, Vectors.dense(2.0d, 1d)),
      Tuple2(10d, Vectors.dense(3.0d, 1d)),
      Tuple2(4d, Vectors.dense(1.0d, 1d)),
      Tuple2(19d, Vectors.dense(6.0d, 1d))
    )

    val data: org.apache.spark.rdd.RDD[scala.Tuple2[scala.Double, org.apache.spark.mllib.linalg.Vector]] = spark.sparkContext.parallelize(list)

    /**
      * 而具体的实现梯度有
      * LogisticGradient
      * LeastSquaresGradient
      * HingeGradient
      * 对于更新也是三种实现
      * SimpleUpdater
      * L1Updater
      * SquaredL2Updater
      **/
    var gradient = new LeastSquaresGradient()
    var updater = new L1Updater()

    /**
      * GradientDescent parameters default initialize values:
      * private var stepSize: Double = 1.0
      * private var numIterations: Int = 100
      * private var regParam: Double = 0.0
      * private var miniBatchFraction: Double = 1.0
      * private var convergenceTol: Double = 0.001
      */
    var stepSize = 1.0
    var numIterations = 100
    var regParam: Double = 0.0
    var miniBatchFraction = 1.0
    var initialWeights: org.apache.spark.mllib.linalg.Vector = Vectors.dense(0d, 0d)
    var convergenceTol = 0.001
    val (weights, _) = GradientDescent.runMiniBatchSGD(
      data: org.apache.spark.rdd.RDD[scala.Tuple2[scala.Double, org.apache.spark.mllib.linalg.Vector]],
      gradient: org.apache.spark.mllib.optimization.Gradient,
      updater: org.apache.spark.mllib.optimization.Updater,
      stepSize: scala.Double,
      numIterations: scala.Int,
      regParam: scala.Double,
      miniBatchFraction: scala.Double,
      initialWeights: org.apache.spark.mllib.linalg.Vector,
      convergenceTol: scala.Double)

    println(weights)


    spark.stop()
  }
}

输出测试结果：

scala> import org.apache.spark.mllib.linalg.{Vectors}
import org.apache.spark.mllib.linalg.Vectors

scala> import org.apache.spark.mllib.optimization._
import org.apache.spark.mllib.optimization._

scala>  /**
     |       * 这里以简单的y=3*x+1为例来简单使用一下
     |       * 测试数据就随意
     |       * 1 0 1
     |       * 7 2 1
     |       * 10 3 1
     |       * 4 1 1
     |       * 19 6 1
     |       **/
     |     val list = List[scala.Tuple2[scala.Double, org.apache.spark.mllib.linalg.Vector]](
     |       Tuple2(1d, Vectors.dense(0.0d, 1d)),
     |       Tuple2(7d, Vectors.dense(2.0d, 1d)),
     |       Tuple2(10d, Vectors.dense(3.0d, 1d)),
     |       Tuple2(4d, Vectors.dense(1.0d, 1d)),
     |       Tuple2(19d, Vectors.dense(6.0d, 1d))
     |     )
list: List[(Double, org.apache.spark.mllib.linalg.Vector)] = List((1.0,[0.0,1.0]), (7.0,[2.0,1.0]), (10.0,[3.0,1.0]), (4.0,[1.0,1.0]), (19.0,[6.0,1.0]))

scala> 

scala>     val data: org.apache.spark.rdd.RDD[scala.Tuple2[scala.Double, org.apache.spark.mllib.linalg.Vector]] = spark.sparkContext.parallelize(list)
data: org.apache.spark.rdd.RDD[(Double, org.apache.spark.mllib.linalg.Vector)] = ParallelCollectionRDD[11460] at parallelize at <console>:37

scala> 

scala>     /**
     |       * 而具体的实现梯度有
     |       * LogisticGradient
     |       * LeastSquaresGradient
     |       * HingeGradient
     |       * 对于更新也是三种实现
     |       * SimpleUpdater
     |       * L1Updater
     |       * SquaredL2Updater
     |       **/
     |     var gradient = new LeastSquaresGradient()
gradient: org.apache.spark.mllib.optimization.LeastSquaresGradient = org.apache.spark.mllib.optimization.LeastSquaresGradient@7adb7d5b

scala>     var updater = new L1Updater()
updater: org.apache.spark.mllib.optimization.L1Updater = org.apache.spark.mllib.optimization.L1Updater@33e6a825

scala> 

scala>     /**
     |       * GradientDescent parameters default initialize values:
     |       * private var stepSize: Double = 1.0
     |       * private var numIterations: Int = 100
     |       * private var regParam: Double = 0.0
     |       * private var miniBatchFraction: Double = 1.0
     |       * private var convergenceTol: Double = 0.001
     |       */
     |     var stepSize = 1.0
stepSize: Double = 1.0

scala>     var numIterations = 100
numIterations: Int = 100

scala>     var regParam: Double = 0.0
regParam: Double = 0.0

scala>     var miniBatchFraction = 1.0
miniBatchFraction: Double = 1.0

scala>     var initialWeights: org.apache.spark.mllib.linalg.Vector = Vectors.dense(0d, 0d)
initialWeights: org.apache.spark.mllib.linalg.Vector = [0.0,0.0]

scala>     var convergenceTol = 0.001
convergenceTol: Double = 0.001

scala>     val (weights, _) = GradientDescent.runMiniBatchSGD(
     |       data: org.apache.spark.rdd.RDD[scala.Tuple2[scala.Double, org.apache.spark.mllib.linalg.Vector]],
     |       gradient: org.apache.spark.mllib.optimization.Gradient,
     |       updater: org.apache.spark.mllib.optimization.Updater,
     |       stepSize: scala.Double,
     |       numIterations: scala.Int,
     |       regParam: scala.Double,
     |       miniBatchFraction: scala.Double,
     |       initialWeights: org.apache.spark.mllib.linalg.Vector,
     |       convergenceTol: scala.Double)
weights: org.apache.spark.mllib.linalg.Vector = [3.000248212261404,0.9997330919125574]

scala> 

scala>     println(weights)
[3.000248212261404,0.9997330919125574]

样例实现：参考《夜明的孤行灯 -》Spark中的梯度下降 -》 https://www.huangyunkun.com/2015/05/27/spark-gradient-descent/#comment-9317》

posted @ 2018-03-31 14:28 cctext 阅读(1103) 评论(0) 编辑收藏举报

刷新页面返回顶部

yy

基础才是编程人员应该深入研究的问题，警告自己问题解决不了时，多从运行原理底层研究后再考虑方案。

Spark MLib：梯度下降算法实现

声明：本文参考《大数据：Spark mlib(三) GradientDescent梯度下降算法之Spark实现》

1. 什么是梯度下降？

2. 梯度下降的几种方式

2.1 批量梯度下降（BGD）

2.2 随机梯度下降 (SGD)

3. Spark 实现的梯度下降

3.1 随机梯度？

3.2 计算梯度

3.2.1 Spark 提供的计算梯度的方式

3.3 跟新权重theta θ

3.3.1 SimpleUpdater

3.3.2 其它的正则参数化算法

4. 梯度下降收敛条件

5. Spark实现梯度下降的实现示例：

公告

yy

基础才是编程人员应该深入研究的问题，警告自己问题解决不了时，多从运行原理底层研究后再考虑方案。

Spark MLib：梯度下降算法实现

声明：本文参考《 大数据：Spark mlib(三) GradientDescent梯度下降算法之Spark实现》

1. 什么是梯度下降？

2. 梯度下降的几种方式

2.1 批量梯度下降（BGD）

2.2 随机梯度下降 (SGD)

3. Spark 实现的梯度下降

3.1 随机梯度？

3.2 计算梯度

3.2.1 Spark 提供的计算梯度的方式

3.3 跟新权重theta θ

3.3.1 SimpleUpdater

3.3.2 其它的正则参数化算法

4. 梯度下降收敛条件

5. Spark实现梯度下降的实现示例：

公告

声明：本文参考《大数据：Spark mlib(三) GradientDescent梯度下降算法之Spark实现》