1:随机梯度下降优化算法
一:普通的梯度下降算法在更新回归系数时要遍历整个数据集,是一种批处理方法,这样训练数据特别忙庞大时,可能出现如下问题:
- 收敛过程可能非常慢;
- 如果误差曲面上有多个局极小值,那么不能保证这个过程会找到全局最小值。
随机梯度下降法随机抽取一个样本来计算误差,然后更新权值
二: 随机梯度下降
为了解决上面的问题,实际中我们应用的是梯度下降的一种变体被称为随机梯度下降。
上面公式中的误差是针对于所有训练样本而得到的,而随机梯度下降的思想是根据每个单独的训练样本来更新权值,这样我们上面的梯度公式就变成了:
经过推导后,我们就可以得到最终的权值更新的公式:
有了上面权重的更新公式后,我们就可以通过输入大量的实例样本,来根据我们预期的结果不断地调整权值,从而最终得到一组权值使得我们的算法能够对一个新的样本输入得到正确的或无限接近的结果。
举例:图像数字识别
①:MNIST数据集:
官方下载地址:http://yann.lecun.com/exdb/mnist/
②:tensorflow
自行用pip进行安装(window适用于python3.6及以上的版本)
③:直接在Pycharm里面建立一个MNIST_data文件夹,将压缩文件导入进去
# -*- coding:utf-8 -*-
#@Time : 2019/7/22 15:20
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
batch_size = 100
n_batch = mnist.train.num_examples // batch_size
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W)+b)
loss = tf.reduce_mean(tf.square(y-prediction))
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
init = tf.global_variables_initializer()
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
with tf.Session() as sess:
sess.run(init)
for epoch in range(21):
for batch in range(n_batch):
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step, feed_dict={x:batch_xs, y:batch_ys})
acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})
print("Iter"+str(epoch)+",Testinng Accuracy"+str(acc))
运行结果:
Iter0,Testinng Accuracy0.8327
Iter1,Testinng Accuracy0.87
Iter2,Testinng Accuracy0.881
Iter3,Testinng Accuracy0.8884
Iter4,Testinng Accuracy0.894
Iter5,Testinng Accuracy0.8971
Iter6,Testi