刘二大人 《PyTorch深度学习实践》P3 梯度下降算法

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。