梯度下降算法
- 推荐看这个视频:【梯度下降】3D可视化讲解通俗易懂
仿真实例
f ( x ) = ∑ i = 1 n x i 2 ( − 20 ⩽ x i ⩽ 20 ) \large f(x)=\sum_{i=1}^{n} x_{i}^{2}\left(-20 \leqslant x_{i} \leqslant 20\right) f(x)=i=1∑nxi2(−20⩽xi⩽20)
python代码
- 赋初值,假设x有十个10维度。不然太简单了。
- 这里实现的是从一个x出发寻优,实际上可以有两个方面改进。第一,可以种群化并行寻优。第二,以边学习率的方式迭代寻优。我这里固定学习率。
import numpy as np
def fun(x):
# 已知目标函数fx = sum(x**2)
return sum(x**2)
# x初值
x = np.random.randint(0,10,10)
y = fun(x)
- 以硬编码的方式求梯度
- 上面的函数求导数,初中生应该都会。能看得懂。
- a为学习率
#梯度下降,求梯度,当前点向负梯度方向移动
def sgd(x,a):
new_x = x - a*2*x
return new_x
- 寻优
a = 0.01
newx = sgd(x,a) # 下一个x解
newy = fun(newx) # 下一个y值
error = abs(newy - y) # 求绝对误差
y_list = []
x_list = []
x_list.append(newx)
y_list.append(newy)
while error<1e-4: # 误差太大则持续迭代,并记录每一次的x,y
y = newy
newx = sgd(newx,a)
newy = fun(newx)
error = newy - y
print(error)
x_list.append(newx)
y_list.append(newy)
- 绘制结果
import matplotlib.pyplot as plt
plt.plot(y_list)
plt.show()
实验结果
输出最优x,y值
- 当然我们知道最优的x肯定是0,不论是多少维。最优的y就是0.
print('最优x解:',x_list[-1])
print('最优y值:',y_list[-1])
- 结果