梯度下降算法
算法存在的问题
穷举思路
存在的问题:当权重较多时,数据量会非常大
分治思路
分成四份,找16个点,找出其中比较小的块,再分成四分……
存在的问题:如果是非凸函数可能会错过最优点
优化问题:使目标函数最小的权重组合我们称之为优化问题
梯度下降算法: 原来的权重 - cost对权重的导数乘以学习率
梯度下降算法类似于贪心算法,用梯度下降算法可以得到局部最优点,但是没办法保证找到全局最优点
目前梯度下降算法使用的很多,因为在实际应用过程中很难陷入局部最优点。但是鞍点成了最大的问题,即梯度为0,会导致算法无法继续迭代。
梯度下降算法推导过程
梯度下降算法代码实现
import matplotlib.pyplot as plt
# 模型
def forward(x):
return x * w
# 计算loss
def cost(xs, ys):
cost = 0
for x, y in zip(xs, ys):
y_pre = forward(x)
cost += (y_pre - y) ** 2
return cost / len(xs)
# 计算梯度
def gradient(xs, ys):
grad = 0
for x, y in zip(xs, ys):
grad += 2 * x * (x * w - y)
return grad/len(xs)
# 数据集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
# 权重
w = 1.0
r = 0.01
print('Predict (before training)', 4, forward(4))
epoch_list = []
cost_list = []
for epoch in range(100):
cost_val = cost(x_data, y_data)
grad_val = gradient(x_data, y_data)
w = w - r * grad_val
print('Epoch:', epoch, ' w=', w, ' cost=',round(cost_val, 3))
epoch_list.append(epoch)
cost_list.append(cost_val)
print('Predict (after training)', 4, forward(4))
figure = plt.figure(num='this is a fugure')
axes = figure.add_subplot()
axes.plot(epoch_list, cost_list)
plt.show()
如果绘图不是很光滑,可以使用指数加权均值来绘图
训练失败可能是因为学习率设置太大了
随机梯度下降算法推导过程
梯度下降的训练时间较长,因为每次迭代都需要对整个数据集进行计算和更新,而使用较多的是随机梯度下降:随机选一个样本损失对权重求导然后进行更新。
随机梯度下降算法代码实现
import matplotlib.pyplot as plt
# 模型
def forward(x):
return x * w
# 计算loss
def loss(x, y):
return (forward(x) - y) ** 2
# 计算梯度
def gradient(x, y):
return 2 * x * (x * w - y)
# 数据集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
# 权重
w = 1.0
r = 0.01
print('Predict (before training)', 4, forward(4))
epoch_list = []
loss_list = []
for epoch in range(100):
for x, y in zip(x_data, y_data):
loss_val = loss(x, y)
grad_val = gradient(x, y)
w = w - r * grad_val
print('Epoch:', epoch, ' w=', w, ' loss=',round(loss_val, 3))
epoch_list.append(epoch)
loss_list.append(loss_val)
print('Predict (after training)', 4, forward(4))
figure = plt.figure(num='this is a fugure')
axes = figure.add_subplot()
axes.plot(epoch_list, loss_list)
plt.show()
存在的问题:
梯度下降:计算梯度可以并行,学习器的性能较低。
随机梯度下降:计算梯度不可以并行,学习器的性能较好,但时间复杂度较高。
解决方法:
折中:Batch/Mini - batch 批量的随机梯度下降。