PyTorch深度学习实践 Lecture03 梯度下降

🤵 Author ：Horizon John

✨ 编程技巧篇：各种操作小结

🎇 机器视觉篇：会变魔术 OpenCV

💥 深度学习篇：简单入门 PyTorch

🏆 神经网络篇：经典网络模型

💻 算法篇：再忙也别忘了 LeetCode

视频链接：Lecture 03 Gradient_Descent
文档资料：

//Here is the link:
课件链接：https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw
提取码：cxe4

Gradient Descent（梯度下降）

概述

我们前面说到利用 穷举法 找到一个合适的 W 值，

使得拟合出来的直线尽可能多的 穿过或者接近 给定的3组数据，

在这里我们一般都会 随机初始化 一个 W 值，

然后利用 穷举法不断的更新迭代 直到找到一个 最优 的拟合（直线）曲线；

假设给定的随机初始值 W 为：Initial Guess

cost-W 曲线存在一个 最优点（损失值最小点）：Global cost minimum

那么下一次 W值 更新迭代的时候是往 左 or 右 呢 ？

这就涉及到 梯度下降 的问题了，

在机器学习中，最小化损失函数时，通过 梯度下降法 来一步步的迭代求解，得到最小化的损失函数和模型参数值。

我们可以对 W0 点进行 求导 得到该处的导数，偏导数以向量的形式就是 梯度（具有方向）

W ’ > 0 ，单调递增；    W ’ < 0 ，单调递减；

这里我们建立了一个 Update 函数，使得每次的更新都 往梯度下降的方向 进行，

式中 α 为 学习率，即更新迭代的速率，决定了下一次更新 W(n+1) - W(n) 之间距离。

Code

# Here is the code :

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
 
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*(x*w - y)
    return grad / len(xs)
 
epoch_list = []
cost_list = []
print('Predict (before training)', 4, forward(4))
for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradient(x_data, y_data)
    w -= 0.01 * grad_val      # 0.01 learning rate(学习率)
    print('Epoch:', epoch, 'w=', w, 'loss=', cost_val)
    epoch_list.append(epoch)
    cost_list.append(cost_val)
 
print('Predict (after training)', 4, forward(4))
plt.plot(epoch_list, cost_list)
plt.ylabel('cost')
plt.xlabel('Epoch')
plt.show() 

运行结果

附录：相关文档资料

PyTorch 官方文档： PyTorch Documentation
PyTorch 中文手册： PyTorch Handbook

《PyTorch深度学习实践》系列链接：

  Lecture01 Overview
  Lecture02 Linear_Model
  Lecture03 Gradient_Descent
  Lecture04 Back_Propagation
  Lecture05 Linear_Regression_with_PyTorch
  Lecture06 Logistic_Regression
  Lecture07 Multiple_Dimension_Input
  Lecture08 Dataset_and_Dataloader
  Lecture09 Softmax_Classifier
  Lecture10 Basic_CNN
  Lecture11 Advanced_CNN
  Lecture12 Basic_RNN
  Lecture13 RNN_Classifier