himmelblau函数优化

himmelblau函数优化

概述

himmelblau函数是数学家们构造出来的一个特殊的函数，可以用来测试深度学习算法是否能够收敛到局部最小值。这个函数的表达式是：
$$f(x,y)=(x^2+y-11{)}^2+(x+y^2-7{)}^2$$
这个函数最小值为0，有四个最小值点，分别是：
$$\begin{gathered} f(3.0,2.0)=0 \\ f(-2.805118,3.131312)=0 \\ f(-3.779310,-3.283186)=0 \\ f(3.584428,-1.848126)=0 \end{gathered}$$

求解过程

添加头文件

import numpy as np
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import pyplot as plt
import torch

绘制himmelblau函数的图像

# 书写himmelblau函数
def himmelblau(x):
    return (x[0] ** 2 + x[1] - 11) ** 2 + (x[0] + x[1] ** 2 - 7) ** 2


# 绘制himmelblau函数的三维图像
# 通过x,y两个张量调用meshgrid方法生成一个网格
x = np.arange(-6, 6, 0.1)
y = np.arange(-6, 6, 0.1)
X, Y = np.meshgrid(x, y)
# 网格上每一个点x,y带入himmelblau求出z
Z = himmelblau([X, Y])
# 作图
fig = plt.figure('himmelblau')
ax = fig.gca(projection='3d')
ax.plot_surface(X, Y, Z)
ax.view_init(60, -30)
ax.set_xlabel('x')
ax.set_ylabel('y')
plt.show()

得到如下图像，可以清楚的看到himmelblau函数的曲面有四个最小值点

梯度下降

# 梯度下降法求局部最小值
# 初始坐标
x = torch.tensor([0., 4.], requires_grad=True)
# 构造优化器
optimizer = torch.optim.Adam([x], lr=1e-3)
# 进行20000轮下降
for step in range(20000):
    # 要找到himmelblau的最小值，损失函数就是himmelblau的函数值
    pred = himmelblau(x)
    # 清空各参数的梯度
    optimizer.zero_grad()
    # 反向传播重新计算各参数的梯度
    pred.backward()
    # 优化器更新参数x'=x-lr*梯度
    optimizer.step()

    if step % 2000 == 0:
        print('step {}:x={},f(x)={}'.format(step, x.tolist(), pred.item()))

当初始化为（0，0）时，陷入了（3，2）这个局部最小值

当初始化为（0，4）时，陷入了（-2.80，3.13）这个局部最小值

由此可见初始化位置的不同将会影响最终收敛到哪个局部最小值