转载的 损失函数MSE L1 优化函数ADAM SGD 优化算法等

2024-03-20 08:08

本文主要是介绍转载的 损失函数MSE L1 优化函数ADAM SGD 优化算法等,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!

如有侵权,请联系删除!

pytorch框架中损失函数与优化器介绍:

目录

1. 损失函数:

1.1 nn.L1Loss

1.2 nn.SmoothL1Loss

1.3 nn.MSELoss

1.4 nn.BCELoss

1.5 nn.CrossEntropyLoss

1.6 nn.NLLLoss

1.7 nn.NLLLoss2d

2.优化器Optim

2.1 使用

2.2 基类 Optimizer

2.3 方法

3. 优化算法

3.1 随机梯度下降算法 SGD算法

3-2 平均随机梯度下降算法 ASGD算法

3-3 Adagrad算法

3-4 自适应学习率调整 Adadelta算法

3-5 RMSprop算法

3-6 自适应矩估计 Adam算法

3-7 Adamax算法(Adamd的无穷范数变种)

3-8 SparseAdam算法

3-9 L-BFGS算法

3-10 弹性反向传播算法 Rprop算法

1.1 nn.L1Loss的主要形式 

1.2 nn.SmoothL1Loss

1.3 nn.MSELoss

1.4 nn.BCELoss

1.5 nn.CrossEntropyLoss

1.6 nn.NLLLoss

1.7 nn.NLLLoss2d

这些参数都比较的经典,需要认真的学习

根据主要梯度下降的方向进行优化,

比如爬山,如果找到最低点,那么肯定朝着最陡峭(梯度最大)的反方向去下坡,会最快的走到最低点

那么沿着梯度反方向,随机更新一下梯度,然后可以找到一个最值,进而慢慢的找到最值

处理随机更新梯度,还有很多的方法 比如随机小批量  小批量等等

图 一个求解过程

 

提取找寻的过程

 

import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
%matplotlib inline
#  二元一次函数图像
fig = plt.figure()
ax = Axes3D(fig)
x = np.arange(-10, 10, 1)
y = np.arange(-10, 10, 1)
X, Y = np.meshgrid(x, y)  # 网格的创建,生成二维数组,这个是关键
Z = (1 - X) ** 2 + 100 * (Y - X ** 2) ** 2
Z=Z
plt.xlabel('x')
plt.ylabel('y')
# 将函数显示为3d,rstride和cstride代表row(行)和column(列)的跨度cmap为色图分类
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')
plt.show()

    
    
def cal_rosenbrock(x1, x2):
    """
    计算rosenbrock函数的值
    :param x1:
    :param x2:
    :return:
    """
    return (1 - x1) ** 2 + 100 * (x2 - x1 ** 2) ** 2+3


def cal_rosenbrock_prax(x1, x2):
    """
    对x1求偏导
    """
    return -2 + 2 * x1 - 400 * (x2 - x1 ** 2) * x1

def cal_rosenbrock_pray(x1, x2):
    """
    对x2求偏导
    """
    return 200 * (x2 - x1 ** 2)

def for_rosenbrock_func(max_iter_count=100000, step_size=0.001):
    pre_x = [1.5,1.5]#np.zeros((2,), dtype=np.float32)
    loss = 10
    iter_count = 0
    x1=[]
    y1=[]
    z1=[]
    while loss > 0.0001 and iter_count < max_iter_count:
        error = np.zeros((2,), dtype=np.float32)
        error[0] = cal_rosenbrock_prax(pre_x[0], pre_x[1])
        error[1] = cal_rosenbrock_pray(pre_x[0], pre_x[1])

        for j in range(2):
            pre_x[j] -= step_size * error[j]
        ww1=cal_rosenbrock(pre_x[0], pre_x[1])
        loss = cal_rosenbrock(pre_x[0], pre_x[1])-3  # 最小值为0
        
        if iter_count%400==0:
            #print("iter_count: ", iter_count, "the loss:", loss, "SHUZHI:", ww1)
            #  二元一次函数图像
            #fig = plt.figure()
            #ax = Axes3D(fig)
            x = np.arange(-10, 10, 1)
            y = np.arange(-10, 10, 1)
            X, Y = np.meshgrid(x, y)  # 网格的创建,生成二维数组,这个是关键
            Z = (1 - X) ** 2 + 100 * (Y - X ** 2) ** 2
            Z=Z
            #plt.xlabel('x')
            #plt.ylabel('y')
            x1.append(pre_x[0])
            y1.append(pre_x[1])
            z1.append(0+loss)
            # 将函数显示为3d,rstride和cstride代表row(行)和column(列)的跨度cmap为色图分类
            #ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')
            #ax.scatter(pre_x[0], pre_x[1],loss, c='red',s=250, label='sss')#, c=None, depthshade=True, *args, *kwargs)
            #plt.show()
            #plt.plot(pre_x[0], pre_x[1],loss, s=100)#, label='acc')
        iter_count += 1
        #print(x1,y1,z1)
    print('ok1')
    return pre_x,x1,y1,z1

if __name__ == '__main__':
    %matplotlib inline
    w,x1,y1,z1 = for_rosenbrock_func() 
    
    #print(w,x1,y1,z1)
    fig = plt.figure()
    #ax = Axes3D(fig)
    ax= plt.axes(projection='3d')
    #ax.set_xlim(1, 1.5)  # X轴,横向向右方向
    #ax.set_ylim(1, 1.5)  # Y轴,左向与X,Z轴互为垂直
    #ax.set_zlim(1, 35)  # 竖向为Z轴
    x = np.arange(-10, 10, 1)
    y = np.arange(-10, 10, 1)
    X, Y = np.meshgrid(x, y)  # 网格的创建,生成二维数组,这个是关键
    Z = (1 - X) ** 2 + 100 * (Y - X ** 2) ** 2
    Z=Z
    plt.xlabel('x')
    plt.ylabel('y')

    # 将函数显示为3d,rstride和cstride代表row(行)和column(列)的跨度cmap为色图分类
    ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')
    ax.scatter(x1,y1,z1, c='red',s=150)#, c=None, depthshade=True, *args, *kwargs)
    
    #plt.xlim(1, 1.5)
    #plt.ylim(1, 1.5)
    #plt.zlim(1, 31.5)

    plt.show()
    fig = plt.figure()
    ax = Axes3D(fig)
    ax.scatter(x1,y1,z1, c='red',s=150)#, c=None, depthshade=True, *args, *kwargs)
    plt.show()
    #ax.scatter(x1, y1, z1, s=20, c=None, depthshade=True, *args, *kwargs)
    plt.show()

这篇关于转载的 损失函数MSE L1 优化函数ADAM SGD 优化算法等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/828815

相关文章

Kotlin 作用域函数apply、let、run、with、also使用指南

《Kotlin作用域函数apply、let、run、with、also使用指南》在Kotlin开发中,作用域函数(ScopeFunctions)是一组能让代码更简洁、更函数式的高阶函数,本文将... 目录一、引言:为什么需要作用域函数?二、作用域函China编程数详解1. apply:对象配置的 “流式构建器”最

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

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.

Android Kotlin 高阶函数详解及其在协程中的应用小结

《AndroidKotlin高阶函数详解及其在协程中的应用小结》高阶函数是Kotlin中的一个重要特性,它能够将函数作为一等公民(First-ClassCitizen),使得代码更加简洁、灵活和可... 目录1. 引言2. 什么是高阶函数?3. 高阶函数的基础用法3.1 传递函数作为参数3.2 Lambda

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

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案