线性回归+小批量梯度下降算法

2024-01-14 15:20

本文主要是介绍线性回归+小批量梯度下降算法,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!

目录

  • 1.线性模型计算预测值:
  • 2.使用均方损失作为损失函数:
  • 3.基础优化算法:梯度下降
  • 4.训练数据:
  • 5.线性回归实现:
  • 6.线性回归总结:

1.线性模型计算预测值:

  • 线性模型可以看做单层神经网络。
    在这里插入图片描述
  • 使用线性模型可以对每个样本数据x计算其预测值y
    • x为一个样本数据一维向量
    • w为权重一维向量,值表示x对应位置所占的权重,未知
    • b为偏差值,未知
    • y为预测值,即加权平均值

2.使用均方损失作为损失函数:

在这里插入图片描述

  • 平方损失函数可以计算每个样本真实值和预测值之间的差值L
    • y为预测值
    • y^为真实值
    • L为平方差值

3.基础优化算法:梯度下降

在这里插入图片描述

  • 每个圈是一个固定函数值,其中w0为初始函数值
  • 黄线方向是负梯度:函数值沿负梯度方向下降最快
  • 学习率η:沿某个方向走多远距离,太大太小都影响准确率
  • 负梯度×η即沿负梯度方向走η距离
  • 接下来的时刻不断更新wt使其不断接近最优解,即带入平方损失函数后L最小

4.训练数据:

在这里插入图片描述

  • x为每个样本数据,为一维向量
  • y为真实值,为数

在这里插入图片描述
在这里插入图片描述

  • 训练数据的目的是根据优化算法不断更新w、b,根据平方损失函数与真实值y和预测值y^不断计算L,得到的使得L最小的w、b即为w*、b*。
  • 1/2来自损失函数
  • 1/n求均值
  • 对每个样本真实值y减每个样本预测值y^与偏差值b

5.线性回归实现:

%matplotlib inline
import random
import torch
from d2l import torch as d2l#函数功能:根据“y=Xw+b+噪声”这个线性模型生成一个人造数据集
def synthetic_data(w, b, num_examples): #X是均值为0,方差为1的大小为(num_examples, len(w))的向量X = torch.normal(0, 1, (num_examples, len(w)))#y=Xw+b+噪声y = torch.matmul(X, w) + by += torch.normal(0, 0.01, y.shape)return X, y.reshape((-1, 1))
#真实值w
true_w = torch.tensor([2, -3.4])
#真实值b
true_b = 4.2
#根据函数计算特征矩阵和标签向量
features, labels = synthetic_data(true_w, true_b, 1000)#函数功能:特征矩阵、标签向量作为输入,生成多个大小为batch_size大小的小批量batch_indices
def data_iter(batch_size, features, labels):num_examples = len(features)indices = list(range(num_examples))# 打乱样本顺序,保证随机存取random.shuffle(indices)#每次循环从i----i+batch_size的下标中获取batch_size个样本,赋值给batch_indices作为一个小批量for i in range(0, num_examples, batch_size):batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])#对每个小批量batch_indices计算其特征矩阵、标签向量yield features[batch_indices], labels[batch_indices]#定义初始化模型参数        
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)  
#定义模型
def linreg(X, w, b):  """线性回归模型"""return torch.matmul(X, w) + b#定义损失函数
def squared_loss(y_hat, y): """均方损失"""return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2#定义优化算法:在每一步中,使用从数据集中随机抽取的一个小批量,然后根据参数计算损失的梯度
def sgd(params, lr, batch_size):  """小批量随机梯度下降"""with torch.no_grad():for param in params:param -= lr * param.grad / batch_sizeparam.grad.zero_()#训练过程
lr = 0.03#lr是学习率
num_epochs = 3#num_epochs是训练过程的迭代次数
net = linreg
loss = squared_loss
for epoch in range(num_epochs):for X, y in data_iter(batch_size, features, labels):l = loss(net(X, w, b), y)  # X和y的小批量损失l.sum().backward() # l中的所有元素被加到一起,并以此函数计算关于[w,b]的梯度sgd([w, b], lr, batch_size)  # 使用参数w、b的梯度更新参数w、bwith torch.no_grad():train_l = loss(net(features, w, b), labels)#输出损失值print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

6.线性回归总结:

  • 1.给定n个一维向量x和n个数y^作为训练数据
  • 2.使用小批量梯度下降算法不断更新w、b的值
  • 3.对于当前w、b,不断使用线性模型计算预测值y
  • 4.对于当前y,不断使用平方损失函数计算损失L
  • 5.输出最小L,此时w、b即为w*、b*

注:初学者个人理解,如有问题,感谢指正。

这篇关于线性回归+小批量梯度下降算法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!



http://www.chinasem.cn/article/605632

相关文章

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖