python 矩阵乘法梯度下降_python+numpy+matplotalib实现梯度下降法

这个阶段一直在做和梯度一类算法相关的东西，索性在这儿做个汇总：

一、算法论述

梯度下降法(gradient  descent)别名最速下降法(曾经我以为这是两个不同的算法-.-),是用来求解无约束最优化问题的一种常用算法。下面以求解线性回归为题来叙述：

设：一般的线性回归方程(拟合函数)为：(其中

的值为1)

则

这一组向量参数选择的好与坏就需要一个机制来评估，据此我们提出了其损失函数为(选择均方误差)：

我们现在的目的就是使得损失函数

取得最小值，即目标函数为：

如果

的值取到了0，意味着我们构造出了极好的拟合函数，也即选择出了最好的

值，但这基本是达不到的，我们只能使得其无限的接近于0，当满足一定精度时停止迭代。

那么问题来了如何调整

使得

取得的值越来越小呢？方法很多，此处以梯度下降法为例：

分为两步：(1)初始化

的值。

(2)改变

的值，使得

按梯度下降的方向减少。

值的更新使用如下的方式来完成：

其中

为步长因子，这里我们取定值，但注意如果

取得过小会导致收敛速度过慢，

过大则损失函数可能不会收敛，甚至逐渐变大，可以在下述的代码中修改

的值来进行验证。后面我会再写一篇关于随机梯度下降法的文章，其实与梯度下降法最大的不同就在于一个求和符号。

二、代码实现

import numpy as np

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import axes3d

from matplotlib import style

#构造数据

def get_data(sample_num=10000):

"""

拟合函数为

y = 5*x1 + 7*x2

:return:

"""

x1 = np.linspace(0, 9, sample_num)

x2 = np.linspace(4, 13, sample_num)

x = np.concatenate(([x1], [x2]), axis=0).T

y = np.dot(x, np.array([5, 7]).T)

return x, y

#梯度下降法

def GD(samples, y, step_size=0.01, max_iter_count=1000):

"""

:param samples: 样本

:param y: 结果value

:param step_size: 每一接迭代的步长

:param max_iter_count: 最大的迭代次数

:param batch_size: 随机选取的相对于总样本的大小

:return:

"""

#确定样本数量以及变量的个数初始化theta值

m, var = samples.shape

theta = np.zeros(2)

y = y.flatten()

#进入循环内

print(samples)

loss = 1

iter_count = 0

iter_list=[]

loss_list=[]

theta1=[]

theta2=[]

#当损失精度大于0.01且迭代此时小于最大迭代次数时，进行

while loss > 0.001 and iter_count < max_iter_count:

loss = 0

#梯度计算

theta1.append(theta[0])

theta2.append(theta[1])

for i in range(m):

h = np.dot(theta,samples[i].T)

#更新theta的值,需要的参量有：步长，梯度

for j in range(len(theta)):

theta[j] = theta[j] - step_size*(1/m)*(h - y[i])*samples[i,j]

#计算总体的损失精度，等于各个样本损失精度之和

for i in range(m):

h = np.dot(theta.T, samples[i])

#每组样本点损失的精度

every_loss = (1/(var*m))*np.power((h - y[i]), 2)

loss = loss + every_loss

print("iter_count: ", iter_count, "the loss:", loss)

iter_list.append(iter_count)

loss_list.append(loss)

iter_count += 1

plt.plot(iter_list,loss_list)

plt.xlabel("iter")

plt.ylabel("loss")

plt.show()

return theta1,theta2,theta,loss_list

def painter3D(theta1,theta2,loss):

style.use('ggplot')

fig = plt.figure()

ax1 = fig.add_subplot(111, projection='3d')

x,y,z = theta1,theta2,loss

ax1.plot_wireframe(x,y,z, rstride=5, cstride=5)

ax1.set_xlabel("theta1")

ax1.set_ylabel("theta2")

ax1.set_zlabel("loss")

plt.show()

def predict(x, theta):

y = np.dot(theta, x.T)

return y

if __name__ == '__main__':

samples, y = get_data()

theta1,theta2,theta,loss_list = GD(samples, y)

print(theta) # 会很接近[5, 7]

painter3D(theta1,theta2,loss_list)

predict_y = predict(theta, [7,8])

print(predict_y)

三、绘制的图像如下：

迭代次数与损失精度间的关系图如下：步长为0.01

变量

、

与损失函数loss之间的关系：(从初始化之后会一步步收敛到loss满足精度，之后

、

会变的稳定下来)

下面我们来看一副当步长因子变大后的图像：步长因子为0.5(很明显其收敛速度变缓了)

当步长因子设置为1.8左右时，其损失值已经开始震荡

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。