梯度下降法

問題:尋找到N個點距離和最小的點

思路:

深度截圖20170422001700.png

import numpy as np
from matplotlib import pyplot as plt
# p到points的距離和
def f(p, points) :
    return np.sum(np.sum((p - points) ** 2, axis=1) ** 0.5)
#  距離和函數在p點的梯度
def fgrad(p, points):
    dx = np.sum((p[0] - points[:, 0]) / np.sum((p - points) ** 2, axis=1) ** 0.5)
    dy = np.sum((p[1] - points[:, 1]) / np.sum((p - points) ** 2, axis=1) ** 0.5)
    return np.array([dx, dy])
# points = np.random.rand(20, 2) # 隨機或者自定義幾個點阱缓,尋找距離這些點之和最小值的點
points = np.array([
            [0,0],
            [0,2],
            [2,0],
            [2,2]
    ]) # 定義一個正方形
x = np.random.rand(2) # x為隨機初始點
step = 0.2
xhistory = x #用來存儲歷史值
for k in range(100):
    l = f(x, points)
    xk = x - step * fgrad(x, points)
    lk = f(xk, points)
    if l - lk > 1e-8:
        x = xk
        xhistory = np.vstack((xhistory, x))
    elif l - lk <0:
        #步子太大揪罕,超過極值后調整步伐大小
        step *= 0.5
    else:
        break

print(xhistory)
[[ 0.17005619  0.77382012]
 [ 0.45001009  0.81002093]
 [ 0.61803208  0.85141979]
 [ 0.7298659   0.88861665]
 [ 0.80752889  0.91829   ]
 [ 0.86240553  0.94071626]
 [ 0.90147962  0.95722978]
 [ 0.9294022   0.96923281]
 [ 0.94939105  0.97790027]
 [ 0.96371305  0.98413816]
 [ 0.97397936  0.98861982]
 [ 0.98134014  0.99183687]
 [ 0.98661833  0.99414511]
 [ 0.99040338  0.99580088]
 [ 0.99311776  0.99698848]
 [ 0.99506437  0.99784024]
 [ 0.99646039  0.9984511 ]
 [ 0.99746154  0.99888919]
 [ 0.99817953  0.99920337]
 [ 0.99869444  0.99942869]
 [ 0.99906371  0.99959028]
 [ 0.99932853  0.99970617]
 [ 0.99951845  0.99978928]
 [ 0.99965465  0.99984888]
 [ 0.99975233  0.99989162]
 [ 0.99982238  0.99992228]
 [ 0.99987262  0.99994426]]
# print(points[:, 0])
plt.plot(points[:, 0], points[:, 1], 'bo')
plt.plot(xhistory[:, 0], xhistory[:, 1], 'ro')
plt.plot(xhistory[:, 0], xhistory[:, 1], 'k-')
plt.title(u'迭代次數 = %d, 距離和 = %.3f, 極值點 = (%.3f, %.3f), 最后步長 = %f' % (k, l, x[0], x[1], step))
plt.show()
output_7_0.png
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末专酗,一起剝皮案震驚了整個濱河市硼身,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌鞠眉,老刑警劉巖欣孤,帶你破解...
    沈念sama閱讀 206,968評論 6 482
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異呀潭,居然都是意外死亡钉迷,警方通過查閱死者的電腦和手機至非,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,601評論 2 382
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來糠聪,“玉大人荒椭,你說我怎么就攤上這事〗Ⅲ。” “怎么了趣惠?”我有些...
    開封第一講書人閱讀 153,220評論 0 344
  • 文/不壞的土叔 我叫張陵,是天一觀的道長身害。 經常有香客問我味悄,道長,這世上最難降的妖魔是什么塌鸯? 我笑而不...
    開封第一講書人閱讀 55,416評論 1 279
  • 正文 為了忘掉前任侍瑟,我火速辦了婚禮,結果婚禮上丙猬,老公的妹妹穿的比我還像新娘涨颜。我一直安慰自己,他們只是感情好茧球,可當我...
    茶點故事閱讀 64,425評論 5 374
  • 文/花漫 我一把揭開白布庭瑰。 她就那樣靜靜地躺著,像睡著了一般抢埋。 火紅的嫁衣襯著肌膚如雪弹灭。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,144評論 1 285
  • 那天羹令,我揣著相機與錄音鲤屡,去河邊找鬼。 笑死福侈,一個胖子當著我的面吹牛酒来,可吹牛的內容都是我干的。 我是一名探鬼主播肪凛,決...
    沈念sama閱讀 38,432評論 3 401
  • 文/蒼蘭香墨 我猛地睜開眼堰汉,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了伟墙?” 一聲冷哼從身側響起翘鸭,我...
    開封第一講書人閱讀 37,088評論 0 261
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎戳葵,沒想到半個月后就乓,有當地人在樹林里發(fā)現(xiàn)了一具尸體,經...
    沈念sama閱讀 43,586評論 1 300
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,028評論 2 325
  • 正文 我和宋清朗相戀三年生蚁,在試婚紗的時候發(fā)現(xiàn)自己被綠了噩翠。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,137評論 1 334
  • 序言:一個原本活蹦亂跳的男人離奇死亡邦投,死狀恐怖伤锚,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情志衣,我是刑警寧澤屯援,帶...
    沈念sama閱讀 33,783評論 4 324
  • 正文 年R本政府宣布,位于F島的核電站念脯,受9級特大地震影響狞洋,放射性物質發(fā)生泄漏。R本人自食惡果不足惜绿店,卻給世界環(huán)境...
    茶點故事閱讀 39,343評論 3 307
  • 文/蒙蒙 一徘铝、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧惯吕,春花似錦、人聲如沸怕午。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,333評論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽郁惜。三九已至堡距,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間兆蕉,已是汗流浹背羽戒。 一陣腳步聲響...
    開封第一講書人閱讀 31,559評論 1 262
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留虎韵,地道東北人易稠。 一個月前我還...
    沈念sama閱讀 45,595評論 2 355
  • 正文 我出身青樓,卻偏偏與公主長得像包蓝,于是被迫代替她去往敵國和親驶社。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 42,901評論 2 345

推薦閱讀更多精彩內容