本文主要是介绍梯度下降算法实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
分治方法：先分成n×n个点进行搜索，选择最低的点，对最低的点再分成n×n份再次进行搜索，选择最小的值，反复如此，找到最小值。但是这对于凸函数是较为有用的，对于不规则的函数，可能搜索到的是极小值点（局部最优点），而不是最小值点（全局最优点）。
Gradient Descent Algorithm : 梯度下降算法（贪心思想，局部最优）
Gradient : 梯度，梯度大于0上升，梯度小于0下降，所以参数向梯度的反方向更新。
w = w − x g ′ ( w ) w=w-xg'(w)w=w−xg
′
(w)
x：学习率
损失函数的局部最优点比较少，但是我们有可能遇到鞍点，鞍点的导数等于0（梯度等于0, g ′ ( w ) = 0 g'(w)=0g
′
(w)=0），这时候参数无法更新。
对损失函数求导，求参数更新公式：
import numpy as np
import matplotlib.pyplot as plt
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]w = 1.0 # y = x * w， w的初始值def forward(x):return x * wdef cost(xs, xy):cost = 0for x, y in zip(xs, xy):y_pred = forward(x)cost += (y_pred - y) ** 2return cost / len(xs)def gradient(xs, ys):grad = 0for x, y in zip(xs, ys):grad += 2 * x * (x * w - y)return grad / len(xs)def gradient(xs, ys):grad = 0for x, y in zip(xs, ys):grad += 2 * x * (x * w - y)return grad / len(xs)loss_list = []
trainnum_list = []
print("Predict (before training)", 4, forward(4)) # 训练前x = 4，对应预测的y值
for epoch in range(100):cost_val = cost(x_data, y_data)grad_val = gradient(x_data, y_data)w -= 0.01 * grad_valprint("Epoch: ", epoch, "w = ", w, "loss = ", cost_val)loss_list.append(cost_val)trainnum_list.append(epoch)
print("Predict(after training)", 4, forward(4)) # 训练后x = 4，对应预测的y值
画出loss的变化趋势：
plt.plot(trainnum_list, loss_list)
plt.ylabel("Cost")
plt.xlabel("Epoch")
plt.show() 
import numpy as np
import matplotlib.pyplot as plt
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]w = 1.0 # y = x * w， w的初始值def forward(x):return x * wdef loss(x, y):y_pred = forward(x)return (y_pred - y) ** 2def gradient(x, y):return 2 * x * (x * w - y)loss_list = []
trainnum_list = []
print("Predict (before training)", 4, forward(4)) # 训练前x = 4，对应预测的y值
for epoch in range(100):for x, y in zip(x_data, y_data):grad = gradient(x, y)w -= 0.01 * gradprint("\tgrad", x, y, grad)l = loss(x, y)print("Epoch: ", epoch, "w = ", w, "loss = ", l)loss_list.append(l)trainnum_list.append(epoch)
print("Predict(after training)", 4, forward(4)) # 训练后x = 4，对应预测的y值plt.plot(trainnum_list, loss_list)
plt.ylabel("Loss")
plt.xlabel("Epoch")
plt.show()
这篇关于梯度下降算法实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
