TensorFlow從0到1 - 7 - TensorFlow線性回歸的參數(shù)溢出之坑

TensorFlow從0到1系列回顧

stackoverflow

上一篇 6 解鎖梯度下降算法解釋清楚了學(xué)習(xí)率(learning rate)滤港。本篇基于對(duì)梯度下降算法和學(xué)習(xí)率的理解灾前,去填下之前在線性回歸中發(fā)現(xiàn)的一個(gè)坑。

5 TF輕松搞定線性回歸中提到珠月,只要把TF官方Get Started中線性回歸例子中的訓(xùn)練數(shù)據(jù)換一下渔工,就會(huì)出現(xiàn)越訓(xùn)練“損失”越大,直到模型參數(shù)都stackoverflow的情況桥温。然而更換訓(xùn)練數(shù)據(jù)是我們學(xué)習(xí)代碼的過程中再普通不過的行為引矩,從stackoverflow.com上也能搜到很多人做了類似的嘗試而遇到了這個(gè)問題。到底為什么這么經(jīng)不住折騰侵浸?馬上攤開看旺韭。

更換訓(xùn)練數(shù)據(jù)如下:

  • 參數(shù)初始值a=-1,b=50掏觉;
  • 訓(xùn)練數(shù)據(jù)x_train = [22, 25]区端;
  • 訓(xùn)練數(shù)據(jù)y_train = [18, 15]。

先亮個(gè)底:給出的訓(xùn)練數(shù)據(jù)只有兩組但足夠了澳腹,兩點(diǎn)成一線织盼,要擬合的直線心算下就能得出是y=-x+40杨何,a是-1,b是40沥邻。

運(yùn)行使用新數(shù)據(jù)的代碼:

import tensorflow as tf

# model parameters
a = tf.Variable([-1.], tf.float32)
b = tf.Variable([50.], tf.float32)

# model input and output
x = tf.placeholder(tf.float32)
linear_model = a * x + b
y = tf.placeholder(tf.float32)

# loss
loss = tf.reduce_sum(tf.square(linear_model - y)) / 4   # sum of the squares

# training data
x_train = [22, 25]
y_train = [18, 15]

# optimizer
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)

# training loop
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(10):
    sess.run(train, {x: x_train, y: y_train})
    curr_a, curr_b, curr_loss = sess.run([a, b, loss], {x: x_train, y: y_train})
    print("a: %s b: %s loss: %s" % (curr_a, curr_b, curr_loss))

# evaluate training accuracy
curr_a, curr_b, curr_loss = sess.run([a, b, loss], {x: x_train, y: y_train})
print("a: %s b: %s loss: %s" % (curr_a, curr_b, curr_loss))

為了方便觀察危虱,讓程序訓(xùn)練了10次,輸出是:

a: [-3.3499999] b: [ 49.90000153] loss: 1033.39
a: [ 7.35424948] b: [ 50.35325241] loss: 21436.4
a: [-41.40307999] b: [ 48.28647232] loss: 444752.0
a: [ 180.68467712] b: [ 57.69832993] loss: 9.22756e+06
a: [-830.91589355] b: [ 14.8254509] loss: 1.9145e+08
a: [ 3776.88330078] b: [ 210.10742188] loss: 3.97214e+09
a: [-17211.45703125] b: [-679.39624023] loss: 8.24126e+10
a: [ 78389.59375] b: [ 3372.25512695] loss: 1.70987e+12
a: [-357069.3125] b: [-15082.85644531] loss: 3.54758e+13
a: [ 1626428.5] b: [ 68979.421875] loss: 7.36039e+14
a: [ 1626428.5] b: [ 68979.421875] loss: 7.36039e+14

參數(shù)越練損失越大的趨勢(shì)果然重現(xiàn)了唐全。

現(xiàn)在我們已經(jīng)掌握了梯度下降大法埃跷,就來看看每次訓(xùn)練的結(jié)果到底是怎么產(chǎn)生的。



手工計(jì)算了兩次迭代邮利,和程序輸出一致弥雹。

圖中顯示,訓(xùn)練樣本(已紅色標(biāo)出)的值對(duì)梯度值的貢獻(xiàn)很大延届,而此時(shí)沿用之前的學(xué)習(xí)率η=0.01就顯得不夠小了剪勿。訓(xùn)練樣本既然不可調(diào),那么顯然只能調(diào)小學(xué)習(xí)率了方庭。隨之而來的副作用就是會(huì)導(dǎo)致學(xué)習(xí)緩慢厕吉,所以還得增加訓(xùn)練的次數(shù)。這就是之前的例子中最終調(diào)整為η=0.0028二鳄,epoch=70000的原因了赴涵。

如此看來媒怯,這的確不是TF的bug订讼。再一次體會(huì):訓(xùn)練是一門藝術(shù)

上一篇 6 解鎖梯度下降算法
下一篇 8 萬(wàn)能函數(shù)的形態(tài):人工神經(jīng)網(wǎng)絡(luò)


共享協(xié)議:署名-非商業(yè)性使用-禁止演繹(CC BY-NC-ND 3.0 CN)
轉(zhuǎn)載請(qǐng)注明:作者黑猿大叔(簡(jiǎn)書)

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末扇苞,一起剝皮案震驚了整個(gè)濱河市欺殿,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌鳖敷,老刑警劉巖脖苏,帶你破解...
    沈念sama閱讀 217,277評(píng)論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異定踱,居然都是意外死亡棍潘,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,689評(píng)論 3 393
  • 文/潘曉璐 我一進(jìn)店門崖媚,熙熙樓的掌柜王于貴愁眉苦臉地迎上來亦歉,“玉大人,你說我怎么就攤上這事畅哑‰瓤” “怎么了?”我有些...
    開封第一講書人閱讀 163,624評(píng)論 0 353
  • 文/不壞的土叔 我叫張陵荠呐,是天一觀的道長(zhǎng)赛蔫。 經(jīng)常有香客問我砂客,道長(zhǎng),這世上最難降的妖魔是什么呵恢? 我笑而不...
    開封第一講書人閱讀 58,356評(píng)論 1 293
  • 正文 為了忘掉前任鞠值,我火速辦了婚禮,結(jié)果婚禮上瑰剃,老公的妹妹穿的比我還像新娘齿诉。我一直安慰自己,他們只是感情好晌姚,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,402評(píng)論 6 392
  • 文/花漫 我一把揭開白布粤剧。 她就那樣靜靜地躺著,像睡著了一般挥唠。 火紅的嫁衣襯著肌膚如雪抵恋。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,292評(píng)論 1 301
  • 那天宝磨,我揣著相機(jī)與錄音弧关,去河邊找鬼。 笑死唤锉,一個(gè)胖子當(dāng)著我的面吹牛世囊,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播窿祥,決...
    沈念sama閱讀 40,135評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼株憾,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來了晒衩?” 一聲冷哼從身側(cè)響起嗤瞎,我...
    開封第一講書人閱讀 38,992評(píng)論 0 275
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎听系,沒想到半個(gè)月后贝奇,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,429評(píng)論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡靠胜,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,636評(píng)論 3 334
  • 正文 我和宋清朗相戀三年掉瞳,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片浪漠。...
    茶點(diǎn)故事閱讀 39,785評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡陕习,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出郑藏,到底是詐尸還是另有隱情衡查,我是刑警寧澤,帶...
    沈念sama閱讀 35,492評(píng)論 5 345
  • 正文 年R本政府宣布必盖,位于F島的核電站拌牲,受9級(jí)特大地震影響俱饿,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜塌忽,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,092評(píng)論 3 328
  • 文/蒙蒙 一拍埠、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧土居,春花似錦枣购、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,723評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至眷蜓,卻和暖如春分瘾,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背吁系。 一陣腳步聲響...
    開封第一講書人閱讀 32,858評(píng)論 1 269
  • 我被黑心中介騙來泰國(guó)打工德召, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人汽纤。 一個(gè)月前我還...
    沈念sama閱讀 47,891評(píng)論 2 370
  • 正文 我出身青樓上岗,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親蕴坪。 傳聞我的和親對(duì)象是個(gè)殘疾皇子肴掷,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,713評(píng)論 2 354

推薦閱讀更多精彩內(nèi)容