12.优化问题实战-CSDN博客

本文链接：https://blog.csdn.net/weixin_44846755/article/details/125783392

本文通过介绍Himmelblau函数，展示如何评估优化器在寻找函数极小值时的效果。代码示例中，利用PyTorch实现Adam优化器进行优化，并以不同初始值寻找四个已知全局最小值。通过可视化函数表面和迭代过程，理解优化算法的工作原理。

摘要由CSDN通过智能技术生成

himmelblau函数：
在这里插入图片描述
该函数用于检测优化器的效果。可以通过求解这个函数，来看一下我们设计的优化器，或者我们设计的梯度下降法则，能否很好的找到这个解，我们的解是已知的。可以对比两个的差距。
已知最小值：
f(3.0，2.0)=0
f(-2.805118，3.131312)=0
f(-3.779310，-3.283186)=0
f(3.584428，-1.848126)=0
都是全局最小值。

import torch
from matplotlib import pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D


def himmelblau(x):
    return (x[0]**2+x[1]-11)**2+(x[0]+x[1]**2-7)**2

# 可视化代码，打印出函数图像
#生成x和y轴数据列表
x = np.arange(-6,6,0.1)
y = np.arange(-6,6,0.1)
print('x,y range:',x.shape,y.shape)
#对x和y数据进行网格化
X,Y = np.meshgrid(x,y)
print('X,Y maps:',X.shape,Y.shape)
Z = himmelblau([X,Y])

fig=plt.figure('himmelblau')
ax =fig.add_subplot(projection='3d')
ax.plot_surface(X,Y,Z)
ax.view_init(60,-30)
ax.set_xlabel('x')
ax.set_xlabel('y')
plt.show()

#x可初始化为[1.,0.],[-4,0.],[4,0.]
x=torch.tensor([0.,0.],requires_grad=True)
optimizer = torch.optim.Adam([x],lr=1e-3)
for step in range(20000):
    pred = himmelblau(x)

    optimizer.zero_grad()
    pred.backward()
    optimizer.step()

    if step % 2000 == 0:
        print('step {}: x={},f(x)={}'.format(step,x.tolist(),pred.item()))

变换x的初始值，可以得到其他三个极小值。
optimizer = torch.optim.Adam([x],lr=1e-3)
优化器的目标是x，这一步会自动完成：
x‘=x-0.001▽x
y‘=y-0.001▽y
只要执行一次optimizer.step()，就会更新一次以上两个的过程。
optimizer.zero_grad()将梯度信息清零。
pred.backward()生成x和y的梯度信息▽x和▽y。
不停循环循环，直到找到合适的x和y。
在这里插入图片描述