线性回归和基础优化算法(李沐深度学习课程,自用)

线性回归

        平方损失定义:

\zeta (y,\widehat{y})=\frac{1}{2}(y-\widehat{y})^{\2}

        前有一个1/2是因为在求导时可以消去。

        线性回归可以看作是单层的神经网络模型。

基础优化算法

梯度下降

W_{t}=W_{t-1}-\eta \frac{\partial \iota }{\partial W_{t-1}}

(1)学习率

        \eta是学习率,属于超参数,需要人为指定

        太小会导致算法计算量过大且易陷入局部最优(个人理解)

        太大会导致很难收敛(个人理解)

(2)小批量梯度下降

        一般使用的方法为小批量梯度下降,即选取原始数据中的一小部分计算损失函数。小批量的大小b也是一个超参数。(计算所有原始数据梯度的计算量过大)

        小批量梯度下降一般是深度学习默认算法,优点:稳定简便

### 李沐深度学习中的线性回归 #### 实现线性回归模型 在李沐的《动手学深度学习》教程中,通过仅使用`NDArray``autograd`实现了线性回归训练过程[^1]。具体来说,在初始化阶段,定义了权重偏差作为可训练参数,并设定了初始值。 为了更好地理解这个概念,下面是一个简单的Python代码片段用于展示如何构建这样的模型: ```python def linreg(X, w, b): """线性回归模型""" return nd.dot(X, w) + b ``` 此函数接收输入特征矩阵X以及两个参数w(权重)b(偏置项)。它返回预测的目标变量Y帽,这是基于当前设定的权重偏移计算得出的结果。 接着,对于损失函数的选择上,通常采用均方误差(MSE),因为它能够有效地衡量实际输出与预期之间的差异程度: ```python def squared_loss(y_hat, y): """均方损失""" return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2 ``` 这里需要注意的是,当处理真实标签时,应该将其形状调整为与预测值相同的形式以便于后续操作。 最后,在更新规则方面,则运用到了梯度下降的思想。正如所提到的学习率决定了每次迭代过程中沿着最陡峭路径前进的距离;而负梯度则指示出了应当朝哪个方向移动才能使目标函数最小化[^2]: ```python def sgd(params, lr, batch_size): for param in params: param[:] = param - lr * param.grad / batch_size ``` 这段代码展示了简单的小批量随机梯度下降(SGD)方法,其中包含了三个主要组成部分——待优化的参数列表、选定的学习速率lr以及批次大小batch_size。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值