PyTorch深度学习实践（刘二大人）---第三讲梯度下降-CSDN博客

本文链接：https://blog.csdn.net/lyhxty/article/details/130156807

梯度下降

公式

梯度下降算法（贪心），可以找到局部最优

$Gradient: \frac{\mathrm{d} cost}{\mathrm{d} w}$

$Update:w = w-\alpha \frac{\mathrm{d} cost}{\mathrm{d} w}$ (a为学习率）

很难找到全局最优！！会陷入到局部最优，但是在神经网络中，局部最优较少。

鞍点（马鞍）：梯度为零。到达鞍点会没办法继续进行迭代。

非凸函数：存在局部最优点

则得到更新公式：

$Update: w=w-\alpha \frac{1}{N}\sum_{n=1}^{N}2*x_{n}*(x_{n}*w-y_{n})$

代码

import matplotlib.pyplot as plt


x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = 1.0  # 初始值


def forward(x):  # y_hat
    return x * w


def cost(xs, ys):
    cost = 0
    for x, y in zip(xs, ys):
        y_pred = forward(x)
        cost += (y_pred - y) ** 2
    return cost / len(xs)


def gradient(xs, ys):
    grad = 0
    for x, y in zip(xs, ys):
        grad += 2 * x * (x * w - y)
    return grad / len(xs)


print('Predict (before training)', 4, forward(4))
a = 0.01  # 学习率
loss_list = []
epoch_list = []
for epoch in range(100):
    cost_val = cost(x_data, y_data)  # loss损失
    grad_val = gradient(x_data, y_data)  # 梯度
    w -= a * grad_val
    loss_list.append(cost_val)
    epoch_list.append(epoch)
    print('Epoch:', epoch, 'w=', w, 'Loss:', cost_val)
print('Predict (after training)', 4, forward(4))

plt.plot(epoch_list, loss_list)
plt.ylabel('Loss')  # 纵坐标
plt.xlabel('Epoch')  # 横坐标
plt.show()

随机梯度下降

公式

若有鞍点，则无法进行，但随机梯度每次只用一个样本，拥有随机噪声，则有可能跨越鞍点。

代码

import matplotlib.pyplot as plt


x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = 1.0  # 初始值


def forward(x):  # y_hat
    return x * w


def loss(x, y):  # 求一个样本的loss
    y_pred = forward(x)
    return (y_pred - y) ** 2


def gradient(x, y):
    return 2 * x * (x * w - y)


print('Predict (before training)', 4, forward(4))
a = 0.01  # 学习率
loss_list = []
epoch_list = []
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        grad = gradient(x, y)
        w = w - a * grad
        print('\tgrad:', x, y, grad)
        l = loss(x, y)
    print('Epoch:', epoch, 'w=', w, 'Loss:', l)
    loss_list.append(l)
    epoch_list.append(epoch)
print('Predict (after training)', 4, forward(4))

plt.plot(epoch_list, loss_list)
plt.ylabel('Loss')  # 纵坐标
plt.xlabel('Epoch')  # 横坐标
plt.show()