【PyTorch深度学习实践】-- 梯度下降

学习视频：B站 刘二大人《PyTorch深度学习实践》完结合集

二、梯度下降

优化问题-梯度下降

算法：

梯度下降代码：

import matplotlib.pyplot as plt
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]

w = 1.0 #假设一个初始权重

def forward(x):
    return x * w

def cost(xs,ys): #计算mse
    cost = 0
    for x,y in zip(xs,ys):
        y_pred = forward(x)
        cost += (y_pred  - y) ** 2
    return cost / len(xs)

def gradient(xs,ys): #计算梯度，之前计算的公式
    grad = 0
    for x,y in zip(xs,ys):
        grad += 2 * x * (x * w -y)
    return grad / len(xs)
e_list = []
cost_list = []
print('Predict (before training)',4,forward(4))
for epoch in range(100):  #计算100轮
    cost_val = cost(x_data,y_data)
    grad_val = gradient(x_data,y_data)
    w -= 0.01 * grad_val #学习率取0.01
    print('Epoch:',epoch,'w=',w,'cost=',cost_val)
    e_list.append(epoch)
    cost_list.append(cost_val)
print('Predict (after training)',4, forward(4))

plt.plot(e_list,cost_list)
plt.ylabel('Cost')
plt.xlabel('Epoch')
plt.show()

运行结果：

鞍点

一个不是局部最小值的驻点（一阶导数为0的点）称为鞍点。数学含义是： 目标函数在此点上的梯度（一阶导数）值为 0， 但从改点出发的一个方向是函数的极大值点，而在另一个方向是函数的极小值点。

梯度为0的点，陷入鞍点就没有办法进行迭代

随机梯度下降SGD

随机选择一个样本计算loss

在神经网络中由于数据较多，所以一般利用batch：

代码：

import matplotlib.pyplot as plt
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]

w = 1.0 #假设一个初始权重

def forward(x):
    return x * w

def loss(x,y):  #计算一个样本的损失
    y_pred = forward(x)
    return (y_pred - y) **2

def gradient(x,y):
    return 2 * x * (x * w - y)
print('Predict (before training)',4,forward(4))

e_list = []
l_list = []
for epoch in range(100):
    for x,y in zip(x_data,y_data):
        grad = gradient(x,y)  #计算样本的梯度
        w = w - 0.01 * grad #拿一个样本进行更新,对每一个样本的梯度进行更新
        print("\tgrad:",x,y,grad)
        l = loss(x,y)
    print('Epoch:', epoch, 'w=', w, 'loss=', l)
    e_list.append(epoch)
    l_list.append(l)
print('Predict (after training)',4, forward(4))

plt.plot(e_list,l_list)
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.show()

运行结果：