python实现梯度法 python最速下降法

更多编程教程请到：菜鸟教程 https://www.piaodoo.com/

友情链接：

高州阳光论坛https://www.hnthzk.com/

人人影视http://www.sfkyty.com/

假设我们已经知道梯度法——最速下降法的原理。

现给出一个算例：

如果人工直接求解：

现给出Python求解过程：

import numpy as np
from sympy import *
import math
import matplotlib.pyplot as plt
import mpl_toolkits.axisartist as axisartist

定义符号

x1, x2, t = symbols(‘x1, x2, t’)

def func():

自定义一个函数

return pow(x1, 2) + 2 * pow(x2, 2) - 2 * x1 * x2 - 2 * x2

def grad(data):

求梯度向量,data=[data1, data2]

f = func()
grad_vec = [diff(f, x1), diff(f, x2)] # 求偏导数,梯度向量
grad = []
for item in grad_vec:
grad.append(item.subs(x1, data[0]).subs(x2, data[1]))
return grad

def grad_len(grad):

梯度向量的模长

vec_len = math.sqrt(pow(grad[0], 2) + pow(grad[1], 2))
return vec_len

def zhudian(f):

求得min(t)的驻点

t_diff = diff(f)
t_min = solve(t_diff)
return t_min

def main(X0, theta):
f = func()
grad_vec = grad(X0)
grad_length = grad_len(grad_vec) # 梯度向量的模长
k = 0
data_x = [0]
data_y = [0]
while grad_length > theta: # 迭代的终止条件
k += 1
p = -np.array(grad_vec)

迭代

X = np.array(X0) + tp
t_func = f.subs(x1, X[0]).subs(x2, X[1])
t_min = zhudian(t_func)
X0 = np.array(X0) + t_minp
grad_vec = grad(X0)
grad_length = grad_len(grad_vec)
print(‘grad_length’, grad_length)
print(‘坐标’, X0[0], X0[1])
data_x.append(X0[0])
data_y.append(X0[1])

print(k)

绘图

fig = plt.figure()
ax = axisartist.Subplot(fig, 111)
fig.add_axes(ax)
ax.axis[“bottom”].set_axisline_style("-|>", size=1.5)
ax.axis[“left”].set_axisline_style("->", size=1.5)
ax.axis[“top”].set_visible(False)
ax.axis[“right”].set_visible(False)
plt.title(r’$Gradientmethod-steepestdescentmethod$’)
plt.plot(data_x, data_y, label=r’$f(x_1,x_2)=x_1^2+2\cdot x_2^2-2\cdot x_1\cdot x_2-2\cdot x_2$’)
plt.legend()
plt.scatter(1, 1, marker=(5, 1), c=5, s=1000)
plt.grid()
plt.xlabel(r’$x_1$’, fontsize=20)
plt.ylabel(r’$x_2$’, fontsize=20)
plt.show()

if name == ‘main’:

给定初始迭代点和阈值

main([0, 0], 0.00001)

最终结果图如下所示：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持菜鸟教程www.piaodoo.com。