首页 > 其他分享 >【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!

【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!

时间:2023-12-28 14:32:57浏览次数:31  
标签:入门 模型 凸函数 问题 最小值 优化 最大值 函数




凸优化1

  • 凸优化是什么
  • 怎么求最大值、最小值
  • 优化问题的形式
  • 优化问题类别1:凸函数 和 非凸函数
  • 优化问题类别2:带条件 和 无条件
  • 优化问题类别3:离散 和 连续
  • 优化问题类别4:平滑 和 非平滑
  • 如何判断一个目标函数是凸函数?
  • 在同样条件下,怎么设计为凸函数模型?
  • 怎么求解非凸函数?
  • 怎么对非凸函数松弛,变成凸函数?



 


凸优化是什么

基本上,机器学习就是 模型 + 优化。

重要性亦如,程序 = 数据结构 + 算法,缺一不可。

如果你只学模型,你就缺了一条腿,走的不稳不快,没核心竞争力。

学了凸优化,看论文就会很轻松,就能理解数学公式在做什么,就喜欢看数学公式了。

就和别的数学不一样,你学了在应用里基本用不到,但你会凸优化,你可以根据任务改更好的损失函数、在原有模型上创新。

应用优化、科研论文必备。

凸优化,目的是求一个函数的最大值或最小值。

怎么求最大值、最小值

像以前学习的求最大值、最小值算法(如堆、快排),都是在一个有无限集合的函数。

现在我们面临的是一个无限的集合,我们不可能穷尽所有的可能性。

在以前,我们把最优化问题看成是若干数量比较大小的问题。

而凸优化是看成研究函数动态变化趋势的问题了,变成了寻找函数变化拐点的问题。

这里转换的核心是,从静态的数值比较变成动态的函数变换趋势。

假设有一条山坡,我们想要找到这条山坡上的最高点。我们可以使用变换趋势来帮助我们找到最高点。

  • 变换趋势:函数在该点的变化率,上升、下降、不变

我们的目标是找到变换趋势等于零的点,也就是山坡上的平稳点。

这些点是可能的最高点、最低点。

  • 观察变换趋势的符号变化
  • 在找到变换趋势等于零的点之后,看看它前后的点,如果从正变为负,那么这个点就是山坡上的最高点
  • 之前为正代表一直在上升,而在这个点之后,山坡开始下降
  • 这个变换趋势,在数学中叫导数

虽然这个方法,适用于任何函数,把求最大值问题就变成了简单的解方程的问题。

但ta找的最大值可能是局部最大值,而不是全局最大值。

【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_优化问题

比如上图,有左右两个高点,都满足:

  • 变换趋势等于零的条件
  • 变换趋势符号从正变成零,再变成负这个条件

但是最大值只能有一个,由于左边的那个点比右边的要高一些,因此左边的是真正的最大值,右边的是局部最大值(极大值)。

那如何在很多的那个局部的极大值中找到最大值的方法?

  • 目前依然没有很好的方法系统性地解决这个问题,只能一个个比较。

这个问题在机器学习中尤为突出,因为我们通常需要在复杂的函数空间中找到最大值,而找到了最大值,很可能不过是很多局部极大值中的一个而已。

那你说学习是不是要最优化算法,帮助我们找到更大的局部最大值,或者全局最大值!!

最优化是寻找函数的最优解,凸优化是最优化的一个子集。

好处在于,对于一个凸优化问题,我们可以通过凸优化算法找到全局最优解,而不仅仅是局部最优解。

这是凸优化的一个重要优势,凸优化问题具有全局最优解的保证。

如果你懂得识别凸函数,能在同样条件下,把模型设计成偏向凸函数,那你就能找到全局最优解。

说实话,你搞机器学习,你面对的不都是别人解决好的问题,因为你在高科技公司的话,你面临的大多是尚未解决的问题。

同行极大概率找到都是比较大的局部最优解,那不就是你大显神威的时候吗!

优化问题的形式

任何一个优化问题都可以写成:

【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_人工智能_02

  1. 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_优化问题_03: 这是凸优化问题的目标,表示我们的目的是找到一个变量x的值,使得函数 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_优化问题_04
  2. 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_最小值_05: 这些是所谓的不等式约束。【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_计算机视觉_06 表示不同的函数,每个函数都有一个对应的不等式。i的范围是从1到某个整数,它表示有多少个这样的约束。这些约束限制了解决方案的可行性,即我们不能随便选择任何值来最小化【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_优化问题_04;解决方案必须使所有的 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_计算机视觉_06
  3. 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_计算机视觉_09: 是等式约束,用 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_优化问题_10 表示。j的范围同样表示有多少个这样的约束。等式约束必须被严格遵守,意味着解决方案必须使所有的 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_优化问题_10

将这些信息放在一起,我们可以这样理解这个公式:我们的目标是找到一组变量x的值,这组值不仅要使目标函数 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_计算机视觉_12 的值最小化,而且还要满足所有的不等式约束 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_算法_13 和所有的等式约束 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_计算机视觉_14

这就像是你在玩一场游戏,目标是得分最低(最小化f_0(x)),同时你必须遵守游戏的规则(满足不等式和等式约束)。

优化问题类别1:凸函数 和 非凸函数

【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_优化问题_15

想象山的形状,就像一个凸形的曲线。

如果你在凸形的曲线里面放一个小球,无论小球在哪个位置,它最终都会滚到最低点。

在数学中,这个凸形的曲线就可以用凸函数来描述。

凸函数的优化问题非常重要,因为它们通常有唯一的最低点(全局最小值),就像碗底一样。

所以,当你的目标是最小化一个凸函数时,你可以使用任意的算法(比如梯度下降法)来寻找这个全局最小值,而不用担心找到一个“伪”最小值(局部最小值)。

但如果是非凸函数,会有很多局部最小值,要选择合适的算法,但也不容易找到全局最小值。

【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_计算机视觉_16

在处理非凸函数优化时,可以采取以下几种策略:

  • 局部搜索方法:这类方法从某个初始点出发,通过迭代的方式尝试找到局部最优解。例如梯度下降、牛顿法等。它们通常会收敛到最近的局部最小值,但不保证找到全局最小值。
  • 全局优化算法:这些算法旨在搜索整个函数空间以找到全局最小值。例如模拟退火、遗传算法、粒子群优化等。这些方法可能会消耗更多的计算资源,但更有可能接近或找到全局最优解。
  • 启发式方法:这类方法包括对问题的特殊理解和创造性的算法设计,如分枝定界、割平面方法等。它们通常利用问题的特定结构来缩小搜索范围并找到更好的解。
  • 凸松弛:当面对一个难以直接解决的非凸问题时,可以尝试将其松弛为一个凸问题,例如通过引入额外的变量或者放松一些约束条件。这样虽然可能无法得到原问题的精确解,但可以获得一个近似解,有时这个近似解足够接近真实的全局最优解。
  • 集成方法:将上述方法组合使用,例如先用全局优化算法找到一个不错的起点,然后再使用局部搜索方法进行精细调整。

优化问题类别2:带条件 和 无条件

这种类别的优化问题就像是你在玩一个游戏,但是有一些规则限制你的动作。

在数学中,这些规则被称为约束条件。

这些约束可以是等式(比如,你需要在一个特定的预算内花费),也可以是不等式(比如,你不能超过一定的重量或体积)。

当你的目标是找到某个函数的最大值或最小值,但同时要满足一些额外的条件时,你就面临着一个带条件的优化问题。

这种问题需要特别的技巧来解决,因为你不能只关注函数值的优化,还要确保所有的约束都得到满足。

线性规划和非线性规划就是处理这类问题的常用方法。

优化问题类别3:离散 和 连续

这个类别的区分是根据优化问题的变量是离散的还是连续的。

离散就像计数一样,你可以数1、2、3,但不能数1.5、2.5等。

而连续则像用尺子量长度一样,可以量到任何小数点后的值。

离散优化问题通常涉及整数、图或网络等,在这类问题中,变量只能取有限的、分开的值。

举个例子,旅行商问题就是一个经典的离散优化问题,你需要找到一条路径,经过一系列城市一次且仅一次,并最终回到起点,同时路径长度最短。

连续优化问题中,变量可以在某个区间内任意取值。

比如,在设计一座桥时,你可能会调整桥的长度、宽度和曲率,这些都是连续的变量,你需要找到最佳的组合,以确保桥既安全又经济。

优化问题类别4:平滑 和 非平滑

平滑优化问题是指目标函数具有良好的数学性质,特别是它们在定义域内是连续可导的,这意味着它们有着连续的梯度(或者说斜率)。

你画这样一个函数的图像,你会得到一个光滑的曲线或曲面,没有任何尖锐的拐点或者断点。

这种光滑性让函数容易使用基于梯度的方法来优化,因为你可以通过计算梯度(梯度下降法或牛顿法等)来找到函数值上升或下降最快的方向。

常见的平滑函数包括多项式函数、指数函数和对数函数。

 

非平滑优化问题中的目标函数可能不是处处连续可导的,这意味着函数的图像可能有尖角、棱角或者不连续的跳跃。

你画这样一个函数的图像,你的笔在某些点上可能需要“跳过”一个间断,或者在转角处突然改变方向。

非平滑优化问题通常更难处理,因为没有连续的梯度信息可以指导优化过程,因此可能需要使用更复杂的算法,如次梯度方法、近似梯度方法或者基于非梯度的优化策略或启发式算法来求解。

常见的例子包括绝对值函数、最大值/最小值函数(如ReLU激活函数)。

 


最简单的情况是:无条件、凸函数、连续、平滑,这种情况特别好算的。

像其他复杂的情况,那需要学习各个优化算法了。

如何判断一个目标函数是凸函数?

判断一个函数是凸函数还是非凸函数可以采用以下两种方法:

  • 通过二阶导数
  • 利用凸性定义

方法一:通过二阶导数判断

对于一元函数,可以通过判断其二阶导数的符号来判断函数的凸性:

  • 如果函数的二阶导数在定义域内始终大于等于零(即非负),则该函数是凸函数。
  • 如果函数的二阶导数在定义域内始终小于等于零(即非正),则该函数是凹函数。

对于多元函数,可以通过计算其海森矩阵(Hessian Matrix)来判断函数的凸性:

  • 如果海森矩阵在定义域内始终半正定(即所有特征值非负),则该函数是凸函数。
  • 如果海森矩阵在定义域内始终半负定(即所有特征值非正),则该函数是凹函数。

方法二:利用凸性定义

函数的凸性定义如下:

  • 对于一元函数,如果对于任意的 x1、x2 ∈ 定义域内,以及任意的 t ∈ [0, 1],都有 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_最小值_17,则该函数是凸函数。
  • 对于多元函数,如果对于任意的 x1、x2 ∈ 定义域内,以及任意的 t ∈ [0, 1],都有 【零基础入门】凸优化1:怎么培养研究能力,从模型 + 优化开始!_最小值_17,则该函数是凸函数。

对于凸函数来说,任意两个点的连线上的函数值都不大于连线两端点的函数值。

可以通过绘制函数图像和观察函数的形状来帮助判断凸性。

  • 如果图像向上凸起,那么函数是凸函数;
  • 如果图像向下凹陷,那么函数是凹函数。

在同样条件下,怎么设计为凸函数模型?

怎么求解非凸函数?

怎么对非凸函数松弛,变成凸函数?


标签:入门,模型,凸函数,问题,最小值,优化,最大值,函数
From: https://blog.51cto.com/u_13937572/9014803

相关文章

  • 2080 Ti就能跑70B大模型,上交大新框架让LLM推理增速11倍
    原本需要一张16万元的80GA100干的活,现在只需要一张不到2万元的24G4090就够了!上海交大IPADS实验室推出的开源推理框架PowerInfer,让大模型推理速度加快了11倍。而且不用量化,就用FP16精度,也能让40B模型在个人电脑上运行;如果加入量化,2080Ti也能流畅运行70B模型。结合大模型的独特特......
  • [C++ 从入门到精通] 16.RTTI、dynamic_cast、typeid、虚函数表
    文章预览:一.RTTI是什么二.dynamic_cast类型(指针/引用)转换2.1C风格的强制类型转换2.2指针转换(常见用法)2.3引用转换三.typeid运算符四.type_info类五.RTTI与虚函数表一.RTTI是什么RTTI(Run-TimeTypeIdentification):通过运行时类型信息,程序能够使用基类的指针或引用来检查......
  • [C++ 从入门到精通] 15.友元函数、友元类、友元成员函数
    文章预览:一.前言二.友元函数三.友元类四.友元成员函数一.前言众所周知,C++控制对类对象私有成员的访问。通常,公有类方法(public)提供唯一的访问途径,但是有时候这种限制太严格,以至于不适合特定的编程问题。在这种情况下,C++提供了另外一种形式的访问权限:友元,友元有3种:友元函数;友......
  • 大模型 RLHF 实战!【OpenAI独家绝技RLHF!RLHF的替代算法DPO!Claude 暗黑科技 RAIHF!】
    大模型RLHF实战大模型RLHF实战RLHF:OpenAI独家绝技RLHF的问题DPO直接偏好优化算法:RLHF的替代算法公式1-4:KL散度下奖励的最大化目标使用DPO微调Llama2RAIHF 大模型RLHF实战RLHF(基于人类反馈的强化学习)分为3个阶段:预训练:为了生成内容,需要一个生成式的预训练语言模......
  • 【所有方法一览】大模型推理优化:在更小的设备运行、推理增速
    大模型推理优化:在更小的设备运行、推理增速知识蒸馏(优先)模型剪枝模型量化(优先)参数共享低秩分解参数搜索 知识蒸馏(优先)知识蒸馏:知识:模型参数、一堆矩阵蒸馏:把大模型参数迁移到小模型,用更小的矩阵代替更大的矩阵让大、小模型最后一层输出尽可能接近。判别指标:KL散度、L2距离学习......
  • MinHash-LSH:如何解决医学大模型的大规模数据去重?
    MinHash-LSH最小哈希+局部敏感哈希:如何解决医学大模型的大规模数据去重?大模型的数据问题MinHash-LSH最小哈希+局部敏感哈希:大规模数据集去重优化Jaccard相似度:用于比较样本集之间的相似性降维技术MinhashLSH–局部敏感哈希MinHash-LSH多个开源数据集去重 大模型的数据......
  • 统一大语言模型和知识图谱:如何解决医学大模型-问诊不充分、检查不准确、诊断不完整、
    统一大语言模型和知识图谱:如何解决医学大模型问诊不充分、检查不准确、诊断不完整、治疗方案不全面?医学大模型问题如何使用知识图谱加强和补足专业能力?大模型结构知识图谱增强大模型的方法 医学大模型问题问诊。偏离主诉和没抓住核心。解决方案:建立抗干扰的能力,使得发现用户问题......
  • 依靠HDR-VMAF,Netflix的HDR视频已全部实现动态优化
    编者按:据11月30日Netflixtechblog显示,Netflix现已推出动态优化HDR(高动态范围)视频流功能。该功能使用了新的算法HDR-VMAF,提升了用户的观看体验。Netflix于2016年开始推出HDR视频,此后其提供的HDR影片数量一直持续增长。HDR视频可以提供更广泛的色彩和更高的对比度,从而提供更趋近真......
  • PostgreSQL pgbackrest 参数与优化 与 “小作文和售货员”
    最近热度最大的新闻,可能就是“小作文”和“售货员”,这里我特别想对曾经的某“售货员”曾经不经意说的一句话进行转载:“有些人很好奇,他们问我,谁给你写的那些小作文,我想说的是,如果公司能写好这样的句子,让我读的话,那么为什么公司不找一个长得比我更好看的主播来这里读,人们好像更愿意相......
  • PHP内存占用优化
    请求次数:1300次执行时间:200*60=12000S//要分批保存数据,可以将`$all_data`数组拆分成多个小数组,并逐一调用`saveAll`方法。以下是一个示例,演示如何将数据分批为每批100条进行保存:$dataModel=newcxVipUserStudyInfo();$batchSize=100;$offset=0;foreach($jsonD......