PyTorch(三)——梯度下降 & 随机梯度下降

教程视频：梯度下降算法
学习目标：实现梯度下降算法（GD）和随机梯度下降算法（SGD），输出loss关于Epoch的图像。

一、梯度下降算法（GD）

代码如下（示例）：

# -*- coding: UTF-8 -*-
'''===============================================
@Author ：kidding
@Date   ：2021/2/3 14:46
@File   ：GD
@IDE    ：PyCharm
=================================================='''
import matplotlib.pyplot as plt

#函数设定为 Y = 2X
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]

#定义权重W
w = 1.0

#定义前馈计算 y_hat = X * W
def forward(x):
    return x*w

#定义成本函数 cost
def cost(xs,ys):
    cost = 0
    for x,y in zip(xs,ys):
        y_pred = forward(x) #计算 y_hat
        cost += (y_pred-y)**2   # 计算每组数据的损失值 cost = (y_pred-y)*(y_pred-y)
    return cost / len(xs) #除数据样本个数，求均值

#计算梯度
def gradient(xs,ys):
    grad = 0
    for x,y in zip(xs,ys):
        grad += 2 * x * (x*w -y) #计算 cost
    return grad / len(xs) #除数据样本个数，求均值


Epoch_list =[]  #保存epoch
Cost_list = []  #保存每个epoch对应的cost

print('Predict (Before training)',4,forward(4))
#开始训练
for epoch in range(100):
    cost_val = cost(x_data,y_data)  #第一步：先算当前步的损失值（cost）
    grad_val = gradient(x_data,y_data) #第二步：计算梯度（gradient）
    w -= 0.01*grad_val  #更新权重值 w
    #print("Epoch:",epoch,"w =.2f",w,"cost =.2f",cost_val) #原始输出

    #对输出进行格式调整
    print("Epoch:",epoch,"w ={:.3f}".format(w),"loss ={:.3f}".format(cost_val))
    Epoch_list.append(epoch)
    Cost_list.append(cost_val)

plt.plot(Epoch_list,Cost_list)
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.grid(ls='--')  # 生成网格
plt.show()

print('Predict (after training):',4,forward(4))

实现效果：

Loss图像：

二、随机梯度下降算法（SGD）

代码实现：

# -*- coding: UTF-8 -*-
'''===============================================
@Author ：kidding
@Date   ：2021/2/3 15:37
@File   ：SGD
@IDE    ：PyCharm
=================================================='''
import numpy as np
import matplotlib.pyplot as plt

#函数设定为 Y = 2X
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]

#定义权重W
w = 1.0

#定义前馈计算 y_hat = X * W
def forward(x):
    return x*w

#定义成本函数 cost
def loss(x,y):
    y_pred = forward(x) #随机抽取一个样本进行正向传播，以该样本的梯度代替所有样本的梯度进行梯度下降
    return (y_pred - y)**2   # 计算该样本的 y_hat = (y_pred-y)*(y_pred-y)

#计算梯度
def gradient(x,y):
    return 2 * x * (x*w -y) #计算 cost


Epoch_list =[]  #保存epoch
Cost_list = []  #保存每个epoch对应的cost

print('Predict (Before training)',4,forward(4))
#开始训练
for epoch in range(100):
    for x,y in zip(x_data,y_data):
        grad_val = gradient(x,y)
        w -= 0.01 * grad_val  #更新权重值 w
        print("\tgrad:", x , y , grad_val)
        l = loss(x,y)

        Epoch_list.append(epoch)
        Cost_list.append(l)
    # 对输出进行格式调整
    print("Progress Epoch:", epoch, "w ={:.3f}".format(w), "loss ={:.3f}".format(l))

plt.plot(Epoch_list,Cost_list)
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.grid(ls='--')  # 生成网格
plt.show()

print('Predict (after training):',4,forward(4))

实现效果：

Loss图像：

**注：**本代码为学生自己编写，不一定准确，如果有错误，希望大家可以在评论区指出来，谢谢。