《PyTorch深度学习实践2》——梯度下降算法（Gradient Descent）

一、梯度下降算法
1.简介
梯度下降算法是一种求解函数最优值的迭代算法，给定一个初值，通过负梯度方向进行更新查找。
2.程序实现及结果

import matplotlib.pyplot as plt

# 训练集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# 初始化权重
w = 1.0

# 定义线性拟合函数
def forward(x):
    return x * w

# 定义损失函数（均方误差）
def cost(xs, ys):
    cost = 0
    for x, y in zip(xs, ys):
        y_pred = forward(x)
        cost += (y_pred - y) ** 2
    return cost / len(xs)

# 定义梯度函数
def gradient(xs, ys):
    grad = 0
    for x, y in zip(xs, ys):
        grad += 2 * x * (x * w - y)
    return grad / len(xs)

# 存储迭代次数和损失函数
epoch_list = []
cost_list = []

print('predict (before training)：','x = 4','y=',forward(4)) #训练之前：预测

# 梯度下降算法
for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradient(x_data, y_data)
    w -= 0.05 * grad_val  # 0.01 learning rate
    print('epoch:', epoch, 'w=', w, 'loss=', cost_val)
    epoch_list.append(epoch)
    cost_list.append(cost_val)

print('predict (after training)：','x = 4','y =',forward(4)) #训练之后：预测

# 可视化
plt.plot(epoch_list, cost_list)
plt.ylabel('cost')
plt.xlabel('epoch')
plt.show()

二、随机梯度下降算法
1.简介

• 由于在最优解计算中，梯度下降算法往往会陷入局部最优的情况，所以我们引进随机梯度下降算法。在每一次迭代中，我们使用每一个训练样本的梯度进行参数更新。
• 这样可以使我们达到一个全局最优的情况，但是相应的计算复杂度也会提高，不太适用于训练样本较多的情况。在深度学习中，我们可以通过小批量随机梯度下降(Mini-Batch SGD)加速训练。

2.程序实现及结果

import matplotlib.pyplot as plt

# 训练集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# 初始化权重
w = 1.0

# 定义线性拟合函数
def forward(x):
    return x * w

# 定义损失函数
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

# 定义梯度函数
def gradient(x, y):
    return 2 * x * (x * w - y)

# 存储迭代次数和损失函数
epoch_list = []
loss_list = []

print('predict (before training)：','x = 4','y=',forward(4)) #训练之前：预测

# 随机梯度下降算法（stochastic gradient descent）
# 每个epoch都使用三个样本分别进行参数更新，一共更新100*3=300次
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        grad = gradient(x, y)
        w = w - 0.05 * grad  # 通过训练集中每个样本的梯度进行参数更新
        print("\t grad:", x, y, grad)
        l = loss(x, y)
    print("progress:", epoch, "w=", w, "loss=", l)
    epoch_list.append(epoch)
    loss_list.append(l)

print('predict (after training)：','x = 4','y =',forward(4)) #训练之后：预测

# 可视化
plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

本文为系列文章：

上一篇	《Pytorch深度学习实践》目录	下一篇
线性模型（Linear Model）	资料	反向传播（Back Propagation）