PyTorch深度学习——梯度下降算法

最新推荐文章于 2024-05-16 14:24:32 发布

小T_

最新推荐文章于 2024-05-16 14:24:32 发布

阅读量3.1k

点赞数 5

分类专栏： pytorch 文章标签：深度学习 pytorch 算法

本文链接：https://blog.csdn.net/weixin_42603976/article/details/126043798

版权

pytorch 专栏收录该内容

7 篇文章 3 订阅

订阅专栏

一、梯度下降算法（batch gradient descend）

二、随机梯度下降算法（stochastic gradient descend）

三、小批量梯度下降算法（mini-batch gradient descend）

一、梯度下降算法（batch gradient descend）

原理：梯度下降算法是深度学习中很常见的一种方法，为了找到最优解，可以尝试利用穷举法，分治法或者贪心算法，梯度下降算法就是一种贪心的算法。通过不断的迭代，每次选取损失下降最快的方向去更新参数，可以很快达到局部最优解。如果函数是凸函数，局部最优解就是全局最优解；如果函数是非凸函数，可能会陷入局部最优解，或者神经网络中梯度为0的鞍点处，从而停止迭代。

使用求导(Derivative)来获得梯度：

w的更新公式：

其中α是学习率，一般在开始训练前将其设置为learning_rate = 0.01。

代码

对线性目标函数的迭代更新过程：

import numpy as np
import matplotlib.pyplot as plt

#1.training set
x_data = [1.0,2.0,3.0,4.0]
y_data = [2.0,4.0,6.0,8.0]

#2.initial_w,initial_a
w = 1.0
a = 0.01

#3.functions
def forward(x):
    return x * w

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

#4.迭代100次
epoch_list = []
cost_list = []
#训练初始的预测值
print('Predict (before training):',4.0,forward(4.0))
for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradient(x_data, y_data)
    w -= a * grad_val
    print('epoch:', epoch, ' w=', '%.2f'%w, ' cost=', '%.2f'%cost_val)
    epoch_list.append(epoch)
    cost_list.append(cost_val)
#更新w后对y进行预测
print('Predict (before training):', 4.0, forward(4.0))

#画图
plt.plot(epoch_list,cost_list)
plt.ylabel('cost')
plt.xlabel('epoch')
plt.show()

运行结果

经过100次的迭代后，权重更新到近似目标值2.0，预测值接近8.0。并且使用加权均值后的cost_function更加平滑。

二、随机梯度下降算法（stochastic gradient descend）

原理：不再使用全部样本的梯度均值来进行更新，而是在每一次的迭代中，从N个样本中随机抽取一个样本，利用单个样本的损失loss对权重w求导得到梯度，并对权重w进行更新。当遇到鞍点或者局部最小值时，随机的梯度有利于帮助跳出这块区域，使算法向最优点继续前进。

代码

import numpy as np
import matplotlib.pyplot as plt

#1.training set
x_data = [1.0,2.0,3.0,4.0]
y_data = [2.0,4.0,6.0,8.0]

#2.initial_w,initial_a
w = 1.0
a = 0.01

#3.functions
def forward(x):
    return x * w

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

def gradient(x, y):
    return 2 * x * (forward(x)-y)


#4.迭代100次
epoch_list = []
loss_list = []
#训练初始的预测值
print('Predict (before training):',4.0,forward(4.0))
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 -= a * grad_val
        print('epoch:', epoch, ' w=', '%.2f'%w, ' cost=', '%.2f'%loss_val)
        #选取每个数据进行更新w权重
    epoch_list.append(epoch)
    loss_list.append(loss_val)
#更新w后对y进行预测
print('Predict (before training):', 4.0, forward(4.0))

#plot
plt.plot(epoch_list,loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()