PyTorch学习2：梯度下降算法2（随机梯度下降）

---

前言

随机梯度下降为梯度下降的延伸版本

一、与梯度下降的区别

梯度下降采取如下公式（利用所有数据的平均损失）

随机梯度下降采取如下公式（只利用一个数据的损失值），避免训练过程陷入鞍点

二、具体实例

1.求解说明

forward返回估计值
loss返回一组数据的损失值
gradient返回一组数据的梯度

2.代码示例

代码如下（示例）：

import matplotlib.pyplot as plt

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = 1.0


def forward(x):
    return x * w


# calculate loss function
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2


# define the gradient function  sgd
def gradient(x, y):
    return 2 * x * (x * w - y)


epoch_list = []
loss_list = []
print('predict (before training)', 4, forward(4))
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        grad = gradient(x, y)
        w = w - 0.01 * grad  # update weight by every grad of sample of training set
        l = loss(x, y)
        print("\tgrad:", x, y, grad,l)

    print("progress:", epoch, "w=", w, "loss=", l)
    epoch_list.append(epoch)
    loss_list.append(l)

print('predict (after training)', 4, forward(4))
plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

得到如下结果

总结

PyTorch学习2：梯度下降算法2（随机梯度下降）