algorithm - Octava: regresión logística: diferencia entre fmincg y fminunc

machine-learning neural-network

Question

A menudo uso fminunc para un problema de regresión logística. He leído en la web que Andrew Ng usa fmincg lugar de fminunc , con los mismos argumentos. Los resultados son diferentes y, a menudo, fmincg es más exacto, pero no demasiado. (Estoy comparando los resultados de la función fmincg fminunc con los mismos datos)

Entonces, mi pregunta es: ¿cuál es la diferencia entre estas dos funciones? ¿Qué algoritmo ha implementado cada función? (Ahora, simplemente uso estas funciones sin saber exactamente cómo funcionan).

Gracias :)

Answer 1

¿Por qué funciona fmincg?

Aquí hay una copia del código fuente con comentarios que explican los diversos algoritmos utilizados. Es sorprendente, ya que hace lo mismo que hace el cerebro de un niño cuando aprende a discriminar entre el perro y la silla.

Esta es la fuente de Octave para fmincg.m.

function [X, fX, i] = fmincg(f, X, options, P1, P2, P3, P4, P5)
% Minimize a continuous differentialble multivariate function. Starting point
% is given by "X" (D by 1), and the function named in the string "f", must
% return a function value and a vector of partial derivatives. The Polack-
% Ribiere flavour of conjugate gradients is used to compute search directions,
% and a line search using quadratic and cubic polynomial approximations and the
% Wolfe-Powell stopping criteria is used together with the slope ratio method
% for guessing initial step sizes. Additionally a bunch of checks are made to
% make sure that exploration is taking place and that extrapolation will not
% be unboundedly large. The "length" gives the length of the run: if it is
% positive, it gives the maximum number of line searches, if negative its
% absolute gives the maximum allowed number of function evaluations. You can
% (optionally) give "length" a second component, which will indicate the
% reduction in function value to be expected in the first line-search (defaults
% to 1.0). The function returns when either its length is up, or if no further
% progress can be made (ie, we are at a minimum, or so close that due to
% numerical problems, we cannot get any closer). If the function terminates
% within a few iterations, it could be an indication that the function value
% and derivatives are not consistent (ie, there may be a bug in the
% implementation of your "f" function). The function returns the found
% solution "X", a vector of function values "fX" indicating the progress made
% and "i" the number of iterations (line searches or function evaluations,
% depending on the sign of "length") used.
%
% Usage: [X, fX, i] = fmincg(f, X, options, P1, P2, P3, P4, P5)
%
% See also: checkgrad
%
% Copyright (C) 2001 and 2002 by Carl Edward Rasmussen. Date 2002-02-13
%
%
% (C) Copyright 1999, 2000 & 2001, Carl Edward Rasmussen
%
% Permission is granted for anyone to copy, use, or modify these
% programs and accompanying documents for purposes of research or
% education, provided this copyright notice is retained, and note is
% made of any changes that have been made.
%
% These programs and documents are distributed without any warranty,
% express or implied. As the programs were written for research
% purposes only, they have not been tested to the degree that would be
% advisable in any important application. All use of these programs is
% entirely at the user''s own risk.
%
% [ml-class] Changes Made:
% 1) Function name and argument specifications
% 2) Output display
%
% Read options
if exist(''options'', ''var'') && ~isempty(options) && isfield(options, ''MaxIter'')
length = options.MaxIter;
else
length = 100;
end
RHO = 0.01; % a bunch of constants for line searches
SIG = 0.5; % RHO and SIG are the constants in the Wolfe-Powell conditions
INT = 0.1; % don''t reevaluate within 0.1 of the limit of the current bracket
EXT = 3.0; % extrapolate maximum 3 times the current bracket
MAX = 20; % max 20 function evaluations per line search
RATIO = 100; % maximum allowed slope ratio
argstr = [''feval(f, X'']; % compose string used to call function
for i = 1:(nargin - 3)
argstr = [argstr, '',P'', int2str(i)];
end
argstr = [argstr, '')''];
if max(size(length)) == 2, red=length(2); length=length(1); else red=1; end
S=[''Iteration ''];
i = 0; % zero the run length counter
ls_failed = 0; % no previous line search has failed
fX = [];
[f1 df1] = eval(argstr); % get function value and gradient
i = i + (length<0); % count epochs?!
s = -df1; % search direction is steepest
d1 = -s''*s; % this is the slope
z1 = red/(1-d1); % initial step is red/(|s|+1)
while i < abs(length) % while not finished
i = i + (length>0); % count iterations?!
X0 = X; f0 = f1; df0 = df1; % make a copy of current values
X = X + z1*s; % begin line search
[f2 df2] = eval(argstr);
i = i + (length<0); % count epochs?!
d2 = df2''*s;
f3 = f1; d3 = d1; z3 = -z1; % initialize point 3 equal to point 1
if length>0, M = MAX; else M = min(MAX, -length-i); end
success = 0; limit = -1; % initialize quanteties
while 1
while ((f2 > f1+z1*RHO*d1) | (d2 > -SIG*d1)) & (M > 0)
limit = z1; % tighten the bracket
if f2 > f1
z2 = z3 - (0.5*d3*z3*z3)/(d3*z3+f2-f3); % quadratic fit
else
A = 6*(f2-f3)/z3+3*(d2+d3); % cubic fit
B = 3*(f3-f2)-z3*(d3+2*d2);
z2 = (sqrt(B*B-A*d2*z3*z3)-B)/A; % numerical error possible - ok!
end
if isnan(z2) | isinf(z2)
z2 = z3/2; % if we had a numerical problem then bisect
end
z2 = max(min(z2, INT*z3),(1-INT)*z3); % don''t accept too close to limits
z1 = z1 + z2; % update the step
X = X + z2*s;
[f2 df2] = eval(argstr);
M = M - 1; i = i + (length<0); % count epochs?!
d2 = df2''*s;
z3 = z3-z2; % z3 is now relative to the location of z2
end
if f2 > f1+z1*RHO*d1 | d2 > -SIG*d1
break; % this is a failure
elseif d2 > SIG*d1
success = 1; break; % success
elseif M == 0
break; % failure
end
A = 6*(f2-f3)/z3+3*(d2+d3); % make cubic extrapolation
B = 3*(f3-f2)-z3*(d3+2*d2);
z2 = -d2*z3*z3/(B+sqrt(B*B-A*d2*z3*z3)); % num. error possible - ok!
if ~isreal(z2) | isnan(z2) | isinf(z2) | z2 < 0 % num prob or wrong sign?
if limit < -0.5 % if we have no upper limit
z2 = z1 * (EXT-1); % the extrapolate the maximum amount
else
z2 = (limit-z1)/2; % otherwise bisect
end
elseif (limit > -0.5) & (z2+z1 > limit) % extraplation beyond max?
z2 = (limit-z1)/2; % bisect
elseif (limit < -0.5) & (z2+z1 > z1*EXT) % extrapolation beyond limit
z2 = z1*(EXT-1.0); % set to extrapolation limit
elseif z2 < -z3*INT
z2 = -z3*INT;
elseif (limit > -0.5) & (z2 < (limit-z1)*(1.0-INT)) % too close to limit?
z2 = (limit-z1)*(1.0-INT);
end
f3 = f2; d3 = d2; z3 = -z2; % set point 3 equal to point 2
z1 = z1 + z2; X = X + z2*s; % update current estimates
[f2 df2] = eval(argstr);
M = M - 1; i = i + (length<0); % count epochs?!
d2 = df2''*s;
end % end of line search
if success % if line search succeeded
f1 = f2; fX = [fX'' f1]'';
fprintf(''%s %4i | Cost: %4.6e/r'', S, i, f1);
s = (df2''*df2-df1''*df2)/(df1''*df1)*s - df2; % Polack-Ribiere direction
tmp = df1; df1 = df2; df2 = tmp; % swap derivatives
d2 = df1''*s;
if d2 > 0 % new slope must be negative
s = -df1; % otherwise use steepest direction
d2 = -s''*s;
end
z1 = z1 * min(RATIO, d1/(d2-realmin)); % slope ratio but max RATIO
d1 = d2;
ls_failed = 0; % this line search did not fail
else
X = X0; f1 = f0; df1 = df0; % restore point from before failed line search
if ls_failed | i > abs(length) % line search failed twice in a row
break; % or we ran out of time, so we give up
end
tmp = df1; df1 = df2; df2 = tmp; % swap derivatives
s = -df1; % try steepest
d1 = -s''*s;
z1 = 1/(1-d1);
ls_failed = 1; % this line search failed
end
if exist(''OCTAVE_VERSION'')
fflush(stdout);
end
end
fprintf(''/n'');

Answer 2

A diferencia de otras respuestas aquí que sugieren que la diferencia principal entre fmincg y fminunc es la precisión o la velocidad, tal vez la diferencia más importante para algunas aplicaciones es la eficiencia de la memoria. En el ejercicio de programación 4 (es decir, entrenamiento de red neuronal) de la clase de Machine Learning de Andrew Ng en Coursera, el comentario en el ejemplo4.m sobre fmincg es

%% =================== Parte 8: Entrenamiento NN ===================
% Ahora ha implementado todo el código necesario para entrenar un neural
% red. Para entrenar su red neuronal, ahora usaremos "fmincg", que
% es una función que funciona de manera similar a "fminunc". Recordemos que estos
% de optimizadores avanzados son capaces de entrenar nuestras funciones de costos de manera eficiente como
% de largo, ya que les proporcionamos los cálculos de gradiente.

Al igual que el póster original, también tenía curiosidad sobre cómo los resultados de ex4.m podrían diferir utilizando fminunc en lugar de fmincg. Así que traté de reemplazar la llamada fmincg

options = optimset(''MaxIter'', 50);
[nn_params, cost] = fmincg(costFunction, initial_nn_params, options);

con la siguiente llamada a fminunc

options = optimset(''GradObj'', ''on'', ''MaxIter'', 50);
[nn_params, cost, exit_flag] = fminunc(costFunction, initial_nn_params, options);

pero recibí el siguiente mensaje de error de una compilación de 32 bits de Octave ejecutándose en Windows:

error: la memoria está agotada o el tamaño solicitado es demasiado grande para el rango del tipo de índice de Octave; intenta volver a la indicación

Una compilación de 32 bits de MATLAB que se ejecuta en Windows proporciona un mensaje de error más detallado:

Error al usar find
Sin memoria. Escriba HELP MEMORY para sus opciones.
Error en spones (línea 14)
[i, j] = encontrar (S);
Error en el color (línea 26)
J = spones (J);
Error en sfminbx (línea 155)
grupo = color (Hstr, p);
Error en fminunc (línea 408)
[x, FVAL, ~, EXITFLAG, OUTPUT, GRAD, HESSIAN] = sfminbx (funfcn, x, l, u, ...
Error en ex4 (línea 205)
[nn_params, cost, exit_flag] = fminunc (costFunction, initial_nn_params, options);

El comando de memoria de MATLAB en mi computadora portátil informa:

Matriz máxima posible: 2046 MB (2.146e + 09 bytes) *
Memoria disponible para todas las matrices: 3402 MB (3.568e + 09 bytes) **
Memoria utilizada por MATLAB: 373 MB (3.910e + 08 bytes)
Memoria física (RAM): 3561 MB (3.734e + 09 bytes)
* Limitado por el espacio contiguo de direcciones virtuales disponible.
** Limitado por el espacio de direcciones virtual disponible.

Anteriormente estaba pensando que el Profesor Ng eligió usar fmincg para entrenar a la red neuronal ex4.m (que tiene 400 funciones de entrada, 401 incluida la entrada de sesgo) para aumentar la velocidad de entrenamiento. Sin embargo, ahora creo que su razón para usar fmincg fue aumentar la eficiencia de la memoria lo suficiente como para permitir que la capacitación se realice en compilaciones de 32 bits de Octave / MATLAB. Una breve discusión sobre el trabajo necesario para obtener una versión de 64 bits de Octave que se ejecuta en el sistema operativo Windows está here.

Answer 3

Según el propio Andrew Ng, fmincg se usa para obtener un resultado más preciso (recuerde, su función de costo será la misma en ambos casos, y su hipótesis no más simple o más compleja) sino porque es más eficiente al descender de gradiente especialmente hipótesis complejas. Él mismo parece usar fminunc cuando la hipótesis tiene pocas características, pero fmincg donde tiene cientos.

Answer 4

Tendrás que mirar dentro del código de fmincg porque no es parte de Octave. Después de buscar, encontré que es un archivo de función proporcionado por la clase Machine Learning de Coursera como parte de la tarea. Lea los comentarios y respuestas sobre esta pregunta para una discusión sobre los algoritmos.

Answer 5

fmincg usa el método de gradiente conjugado

Si miras la imagen en este enlace, verás que el método CG converge mucho más rápido que fminunc, pero asume una serie de restricciones que creo que no son necesarias en el método fminunc ( BFGS ) (vectores conjugados vs no conjugados) vectores).

En otras palabras, el método fmincg es más rápido pero más grosero que fminunc, por lo que funciona mejor para matrices enormes (muchas funciones, como miles) frente a las más pequeñas con hasta cientos de funciones. Espero que esto ayude.

Answer 6

fmincg es más preciso que fminunc. El tiempo empleado por ambos es casi el mismo. En la red neuronal o, en general, que tiene más pesos, fminunc puede dar error de memoria. Por lo tanto, fmincg es más eficiente con la memoria.

Usando fminunc, la precisión es 93.10 y el tiempo empleado es 11.3794 segundos.

Testing lrCostFunction() with regularization
Cost: 2.534819
Expected cost: 2.534819
Gradients:
0.146561
-0.548558
0.724722
1.398003
Expected gradients:
0.146561
-0.548558
0.724722
1.398003
Program paused. Press enter to continue.
Training One-vs-All Logistic Regression...
id = 1512324857357
Elapsed time is 11.3794 seconds.
Program paused. Press enter to continue.
Training Set Accuracy: 93.100000

Usando fmincg, la precisión es 95.12 y el tiempo empleado es 11.7978 segundos.

Testing lrCostFunction() with regularization
Cost: 2.534819
Expected cost: 2.534819
Gradients:
0.146561
-0.548558
0.724722
1.398003
Expected gradients:
0.146561
-0.548558
0.724722
1.398003
Program paused. Press enter to continue.
Training One-vs-All Logistic Regression...
id = 1512325280047
Elapsed time is 11.7978 seconds.
Training Set Accuracy: 95.120000