pytorch 回归问题实战
深度学习中最重要的思想就是梯度下降,深度学习可以看出一个黑盒模型,其内部实质采用了梯度下降法。什么是梯度下降法呢?下面从梯度下降开始介绍,以及如何使用Pytorch实现回归。`
1概述
gradient descent在机器学习中应用十分的广泛。不论在线性回归还是在Logistic回归中,主要通过迭代找到目标函数的最小值,或者将目标函数收敛到最小值。梯度下降法是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数,即无约束优化问题时,梯度下降法和最小二乘法是最常采用的方法。在求解损失函数的最小值时,可以通过梯度下降法来迭代求解,得到最小化的损失函数和模型参数值。反过来,如果我们需要求解损失函数的最大值,这时就需要用梯度上升法来迭代了。在机器学习中,基于基本的梯度下降法发展了两种常用梯度下降方法,分别为随机梯度下降法和批量梯度下降。
2梯度下降算法
2.1梯度下降
2.2.1一元函数的微分
1.单变量的微分,函数只有一个变量时:
y = s i n x + c o s x , 对 x 求导数 , 则有 f ′ ( x ) = c o s x − s i n x y = 2 x + 3 x 2 , 对 x 求导数,则有 f ′ ( x ) = 6 x + 2 y =sinx+cosx,对x求导数, 则有{f}'(x)=cosx-sinx \\ y =2x+3x^2,对x求导数,则有{f}'(x) =6x+2 y=sinx+cosx,对x求导数,则有f′