1.问题描述:
已知三组学习时长和最终得分的数据,建立数学模型,预测学习时长为4小时的最终得分
2.随机梯度下降:
x:学习时长 y:最终得分
模型:采用线性回归模型y_pred=wx,求解参数w
损失函数:loss=(y_pred-y)**2
这里和梯度下降算法的区别是:梯度下降算法cost=sum((y_pred-y)**2)/n,计算了所有样本点的loss,求和做的平均,再求cost关于w的偏导数作为梯度,当w去某个值时梯度等于0,因为w的更新公式是w=w-learning_rate*梯度,所以w保持不变,cost陷入鞍点,无法到达局部最优,而随机梯度下降loss=(y_pred-y)**2,随机选择了一对样本,计算loss关于w的偏导数作为梯度,这样做的好处是,虽然总的cost的梯度等于0,但是由于只采用了随机的一对样本,在鞍点时梯度有可能不等于0,这就有可能走出鞍点,到达局部最优。
其中:y_pred为穷举不同w时x对应的预测输出,loss最小时参数w最优
3.相关知识:
图中:loss=(y_pred-y)**2,梯度是目标函数关于w的偏导数,w按照以上公式更新,因为只对一对样本求loss,所以不用求和再平均。
4.python代码:
import random
import matplotlib.pyplot as plt
# 准备数据集
x_data = [1, 2, 3]
y_data = [2, 4, 6]
w = 1 # 随机初始化w=1
learning_rate = 0.005 # 初始化超参数学习速率,通常等于0.01,0.001或者更小
def forward(x): # 前向计算y的预测值
return x * w
def loss_cal(x, y): # 计算一对样本数据的loss
y_pred = forward(x)
loss = (y_pred - y) ** 2
return loss
def grad_cal(x, y): # 计算一对样本数据的梯度
grad = 2 * x * (w * x - y)
return grad
epoch_list = []
w_list = []
loss_list = []
for epoch in range(200):
random_number = random.randint(0, 2) #
x = x_data[random_number]
y = y_data[random_number]
w_list.append(w)
loss = loss_cal(x, y)
loss_list.append(loss)
grad = grad_cal(x, y)
w = w - learning_rate * grad
epoch_list.append(epoch)
# 一个窗口画出两张图
plt.figure(1)
plt.subplot(2, 1, 1)
plt.plot(epoch_list, w_list)
plt.ylabel("w")
plt.subplot(2, 1, 2)
plt.plot(epoch_list, loss_list)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()
5.可视化结果:
可以看到,loss最小时,w=2。
6.以上均为个人学习pytorch基础入门中的基础,浅做记录,如有错误,请各位大佬批评指正!
7.关于问题描述和原理的部分图片参考刘老师的视频课件,本文也是课后作业的一部分,特此附上视频链接,《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili,希望大家都有所进步!