引言
梯度下降法 (Gradient Descent Algorithm，GD) 是为目标函数J(θ)，如代价函数(cost function), 求解全局最小值（Global Minimum）的一种迭代算法。
为什么使用梯度下降法
我们使用梯度下降法最小化目标函数J(θ)。在使用梯度下降法时，首先初始化参数值，然后一直改变这些值，直到得到全局最小值。其中，我们计算在每次迭代时计算代价函数的导数，然后使用如下公式同时更新参数值：
α表示学习速率（learning rate）。
梯度下降法的工作原理
下面的伪代码能够解释其详细原理：
1. 初始化参数值
2. 迭代更新这些参数使目标函数J(θ)不断变小。
梯度下降法的类型
基于如何使用数据计算代价函数的导数，梯度下降法可以被定义为不同的形式（various variants）。确切地说，根据使用数据量的大小（the amount of data），时间复杂度（time complexity）和算法的准确率（accuracy of the algorithm），梯度下降法可分为：
1. 批量梯度下降法（Batch Gradient Descent, BGD）；
2. 随机梯度下降法（Stochastic Gradient Descent, SGD）；
3. 小批量梯度下降法（Mini-Batch Gradient Descent, MBGD）。
批量梯度下降法原理
这是梯度下降法的基本类型，这种方法使用整个数据集（the complete dataset）去计算代价函数的梯度。每次使用全部数据计算梯度去更新参数，批量梯度下降法会很慢，并且很难处理不能载入内存（don’t fit in memory）的数据集。在随机初始化参数后，按如下方式计算代价函数的梯度：
其中，m是训练样本（training examples）的数量。
Note:
1. 如果训练集有3亿条数据，你需要从硬盘读取全部数据到内存中；
2. 每次一次计算完求和后，就进行参数更新；
3. 然后重复上面每一步；
4. 这意味着需要较长的时间才能收敛；
5. 特别是因为磁盘输入/输出（disk I/O）是系统典型瓶颈，所以这种方法会不可避免地需要大量的读取。
上图是每次迭代后的等高线图，每个不同颜色的线表示代价函数不同的值。运用梯度下降会快速收敛到圆心，即唯一的一个全局最小值。批量梯度下降法不适合大数据集。
随机梯度下降法原理
批量梯度下降法被证明是一个较慢的算法，所以，我们可以选择随机梯度下降法达到更快的计算。随机梯度下降法的第一步是随机化整个数据集。在每次迭代仅选择一个训练样本去计算代价函数的梯度，然后更新参数。即使是大规模数据集，随机梯度下降法也会很快收敛。随机梯度下降法得到结果的准确性可能不会是最好的，但是计算结果的速度很快。在随机化初始参数之后，使用如下方法计算代价函数的梯度：
这里m表示训练样本的数量。
如下为随机梯度下降法的伪码：
1. 进入内循环（inner loop）;
2. 第一步：挑选第一个训练样本并更新参数，然后使用第二个实例；
3. 第二步：选第二个训练样本，继续更新参数；
4. 然后进行第三步…直到第n步；
5. 直到达到全局最小值
如下图所示，随机梯度下降法不像批量梯度下降法那样收敛，而是游走到接近全局最小值的区域终止。
小批量梯度下降法原理
小批量梯度下降法是最广泛使用的一种算法，该算法每次使用m个训练样本（称之为一批）进行训练，能够更快得出准确的答案。小批量梯度下降法不是使用完整数据集，在每次迭代中仅使用m个训练样本去计算代价函数的梯度。一般小批量梯度下降法所选取的样本数量在50到256个之间，视具体应用而定。
1.这种方法减少了参数更新时的变化，能够更加稳定地收敛。
2.同时，也能利用高度优化的矩阵，进行高效的梯度计算。
随机初始化参数后，按如下伪码计算代价函数的梯度：
这里b表示一批训练样本的个数，m是训练样本的总数。
Notes:
1. 实现该算法时，同时更新参数。
2. 学习速率α（也称之为步长）。如果α过大，算法可能不会收敛；如果α比较小，就会很容易收敛。
3. 检查梯度下降法的工作过程。画出迭代次数与每次迭代后代价函数值的关系图，这能够帮助你了解梯度下降法是否取得了好的效果。每次迭代后J(θ)应该降低，多次迭代后应该趋于收敛。
4. 不同的学习速率在梯度下降法中的效果
总结
本文详细介绍了不同类型的梯度下降法。这些算法已经被广泛应用于神经网络。下面的图详细展示了3种梯度下降法的比较。
注：摘自：北邮@爱可可-爱生活 老师，阿里云云栖社区组织翻译。
原标题《3 Types of Gradient Descent Algorithms for Small & Large Data Sets》，由HackerEarth blog发布。