自学笔记--PyTorch深度学习实践--梯度下降算法

B站视频：03.梯度下降算法_哔哩哔哩_bilibili

关于为何要带上负号：

该点所处斜率大于0，为了寻找最优点应该朝负方向移动，所以取负号

当斜率小于0时，应朝正方向移动，取负号

局部最优点：

当该点到达下方后，想继续沿正方向运动，但是由于斜率大于0，又会让它沿负方向运动，最终导致该局部点成为局部最优点。

鞍点：

该点下降到水平方向，此时梯度为0，根据公式w=w-α*g(g为梯度，即斜率）可知w=w-0，将不会再发生移动

梯度下降算法简单应用：

首先对斜率进行求导展开，

损失值同上节，对w求导，过程不用多说，然后将该表达式代入原式。

关于此处的梯度下降函数，可知w会不断变化，从而导致MSE也会随着发生改变，需要寻找的是一个能使MSE最小的w值。

# 梯度下降
import matplotlib.pyplot as plt

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

w = 1.0  # 初始权重猜测


# 前馈模型
def forward(x):
    return x * w


# 计算MSE
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)  # 求均值


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


# 存放次数和损失
epoch_list = []
cost_list = []
print('predict (before training)', 4, forward(4))
for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradient(x_data, y_data)
    w -= 0.01 * grad_val  # 0.01为学习率
    print('epoch:', epoch, 'w=', w, 'loss=', cost_val)
    epoch_list.append(epoch)
    cost_list.append(cost_val)

print('predict (after training)', 4, forward(4))
plt.plot(epoch_list, cost_list)
plt.ylabel('cost')
plt.xlabel('epoch')
plt.show()

随机梯度下降：

随机选取一个损失值计算。

#随机梯度下降
import matplotlib.pyplot as plt
 
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w = 1.0
#前馈模型
def forward(x):
    return x * w
 
#计算MSE
def loss(x, y):
    y_pred = forward(x)
    return  (y_pred - y) ** 2
 
#计算梯度
def gradient(xs, ys):
    return 2 * x *(x*w - y)
 
#存放次数和损失
epoch_list = []
cost_list = []
print('predict (before training)', 4, forward(4))
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        grad = gradient(x, y)
        w -= 0.01 * grad     #0.01为学习率
        l = loss(x, y)
    print('epoch:', epoch, 'w=', w, 'loss=', l)
    epoch_list.append(epoch)
    cost_list.append(l)
 
print('predict (after training)', 4, forward(4))
plt.plot(epoch_list, cost_list)
plt.ylabel('cost')
plt.xlabel('epoch')
plt.show()

梯度下降和随机梯度下降比较：

两者各有优点，（Mini）Batch梯度下降，抽取一组。