第一次作业:计算机应用数学
import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(-6,4,60)
y=x**2+2*x+5
plt.plot(x,y) #画图
x=3#初始化
alaph=0.8#步长
iteraterNum=250#迭代次数
for i in range(iteraterNum):
x=x-alaph*(2*x+2)
print('二元函数图像最小值:x=',x)
更正:步长太大
import numpy as np
import matplotlib.pyplot as plt
x_values = [] # 存储每次梯度下降后的 x 值
x = 3 # 初始化
alaph = 0.1 # 步长
iteraterNum = 50 # 迭代次数
for i in range(iteraterNum):
gradient = 2 * x + 2 # 计算梯度
x = x - alaph * gradient # 更新 x
x_values.append(x) # 将当前 x 值添加到列表中
print(f'第 {i + 1} 次梯度下降后 x 的值: {x}')
# 绘制图像
x_values = np.array(x_values)
y_values = x_values**2 + 2*x_values + 5
plt.plot(x_values, y_values, marker='o', linestyle='-', color='b')
plt.title('Gradient Descent Optimization')
plt.xlabel('x')
plt.ylabel('y')
plt.show()
print('二元函数图像最小值:x=', x)
优势:求局部最优解
运行结果如图
随机梯度下降算法:
公式:
θ=θ−α∇J(θ;x(i),y(i))
θ代表模型参数 w权重
α代表学习率
最后一个代表梯度,对w权重和b偏置的偏导
通过该公式即可更新w和b的值
目标函数可以写成连加或期望的形式
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
##### 产生数据集 #####
x = np.arange(0,50)
np.random.seed(1)
#添加50个随机噪声,范围[-5,5]
random_array=(np.random.random(50)*2-1)*5
y = 2 * x + random_array
#转换二维数组
x=x.reshape(50,1)
y=y.reshape(50,1)
data=np.concatenate((x,y),axis=1)
plt.scatter(x,y)
plt.show()
def ML():
l=LinearRegression().fit(x,y)
##### 机器学习模块调用 #####
# 绘制数据散点图和拟合直线
plt.scatter(x, y)
plt.plot(x,l.predict(x),color='red',linewidth=3)
plt.show()
def SGD():
NUM=1 #标记
N = 1000 #最大循环次数
epsilon = 190 #误差阈值
theta = np.random.rand() # 线性模型的系数
learning_rate = 0.001 # 学习率
#x = np.hstack([np.ones((50,1)),x]) # 增加全1列
np.random.shuffle(data)
#训练集与测试集
train_data=data[:40]
#存放数据列表
theta_list=[]
loss_list=[]
while True:
np.random.shuffle(train_data)
for n in range(N):
#取随机样本
randint = np.random.randint(0,40)
temp_x = train_data[randint][0]
temp_y = train_data[randint][1]
#计算梯度
grad = temp_x * (temp_x * theta - temp_y)
theta = theta - learning_rate*grad
x=train_data[:,0]
y=train_data[:,1]
loss=np.sum(0.5*(theta*x-y)**2)
theta_list.append(theta)
loss_list.append(loss)
NUM=NUM+1
print("num: %d ,theta: %s ,loss: %s "%(NUM,theta,loss))
if loss<epsilon:
break
plt.scatter(x,y)
plt.plot(x,x*theta,color='red',linewidth=3)
plt.show()
if __name__=="__main__":
SGD()
运行结果如下,部分函数未运行出来待解决