P3 梯度下降算法

梯度下降算法實(shí)現(xiàn)

# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
'''梯度下降法的代碼實(shí)現(xiàn)'''
'''準(zhǔn)備訓(xùn)練數(shù)據(jù)'''
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

#猜測(cè)初始的權(quán)重
w = 1.0

'''定義模型'''
def forward(x):
    return x * w

'''定義cost函數(shù),計(jì)算MSE'''
def cost(xs, ys):
    cost = 0
    for x, y in zip(xs, ys):
        y_pred = forward(x)
        cost += (y_pred - y) ** 2
    return cost / len(xs)

'''計(jì)算梯度'''
def gradients(xs, ys):
    grad = 0
    for x, y in zip(xs, ys):
        grad += 2 * x * (x * w - y)
        return grad / len(xs)

epoch_list = []
cost_list = []
print('predict (before training)', 4, forward(4))
'''訓(xùn)練過(guò)程'''
for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradients(x_data, y_data)
    w -= 0.01 * grad_val # 學(xué)習(xí)率設(shè)置為0.01
    print('epoch:', epoch, 'w=', w, 'loss=', cost_val)
    epoch_list.append(epoch)
    cost_list.append(cost_val)
    
print('predict (after training)', 4, forward(4))
plt.plot(epoch_list, cost_list)
plt.xlabel('epoch')
plt.ylabel('cost')
plt.show()

隨機(jī)梯度下降算法實(shí)現(xiàn)

# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
'''
隨機(jī)梯度下降法的代碼實(shí)現(xiàn)
隨機(jī)梯度下降法在神經(jīng)網(wǎng)絡(luò)中被證明是有效的。效率較低(時(shí)間復(fù)雜度較高)碟刺,學(xué)習(xí)性能較好乳绕。
隨機(jī)梯度下降法和梯度下降法的主要區(qū)別在于:
1辙诞、損失函數(shù)由cost()更改為loss()惧浴。cost是計(jì)算所有訓(xùn)練數(shù)據(jù)的損失主胧,loss是計(jì)算一個(gè)訓(xùn)練函數(shù)的損失晦譬。對(duì)應(yīng)于源代碼則是少了兩個(gè)for循環(huán)疤苹。
2、梯度函數(shù)gradient()由計(jì)算所有訓(xùn)練數(shù)據(jù)的梯度更改為計(jì)算一個(gè)訓(xùn)練數(shù)據(jù)的梯度敛腌。
3卧土、本算法中的隨機(jī)梯度主要是指惫皱,每次拿一個(gè)訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練,然后更新梯度參數(shù)尤莺。本算法中梯度總共更新100(epoch)x3 = 300次旅敷。梯度下降法中梯度總共更新100(epoch)次。
'''
'''準(zhǔn)備訓(xùn)練數(shù)據(jù)'''
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

#猜測(cè)初始的權(quán)重
w = 1.0

'''定義模型'''
def forward(x):
    return x * w

'''定義loss函數(shù),計(jì)算一個(gè)訓(xùn)練函數(shù)的損失'''
def loss(xs, ys):
    y_pred = forward(x)
    return (y_pred - y) ** 2

'''計(jì)算梯度'''
def gradients(xs, ys):
    return 2 * x * (x * w - y)

epoch_list = []
lost_list = []
print('predict (before training)', 4, forward(4))
'''訓(xùn)練過(guò)程'''
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        grad = gradients(x, y)
        w -= 0.01 * grad
        print("\tgrad:", x, y,grad)
        l = loss(x, y)
    print("progress:", epoch, "w=", w, "loss=", l)
    epoch_list.append(epoch)
    lost_list.append(l)
    
print('predict (after training)', 4, forward(4))
plt.plot(epoch_list, lost_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()
?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:七十年代末颤霎,一起剝皮案震驚了整個(gè)濱河市媳谁,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌友酱,老刑警劉巖晴音,帶你破解...
    沈念sama閱讀 211,817評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異缔杉,居然都是意外死亡锤躁,警方通過(guò)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 90,329評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門或详,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)系羞,“玉大人,你說(shuō)我怎么就攤上這事霸琴〗氛瘢” “怎么了?”我有些...
    開封第一講書人閱讀 157,354評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵梧乘,是天一觀的道長(zhǎng)澎迎。 經(jīng)常有香客問(wèn)我,道長(zhǎng)宋下,這世上最難降的妖魔是什么嗡善? 我笑而不...
    開封第一講書人閱讀 56,498評(píng)論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮学歧,結(jié)果婚禮上罩引,老公的妹妹穿的比我還像新娘。我一直安慰自己枝笨,他們只是感情好袁铐,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,600評(píng)論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著横浑,像睡著了一般剔桨。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上徙融,一...
    開封第一講書人閱讀 49,829評(píng)論 1 290
  • 那天洒缀,我揣著相機(jī)與錄音,去河邊找鬼。 笑死树绩,一個(gè)胖子當(dāng)著我的面吹牛萨脑,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播饺饭,決...
    沈念sama閱讀 38,979評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼渤早,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了瘫俊?” 一聲冷哼從身側(cè)響起鹊杖,我...
    開封第一講書人閱讀 37,722評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎扛芽,沒(méi)想到半個(gè)月后骂蓖,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 44,189評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡胸哥,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 36,519評(píng)論 2 327
  • 正文 我和宋清朗相戀三年涯竟,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空厌。...
    茶點(diǎn)故事閱讀 38,654評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖银酬,靈堂內(nèi)的尸體忽然破棺而出嘲更,到底是詐尸還是另有隱情,我是刑警寧澤揩瞪,帶...
    沈念sama閱讀 34,329評(píng)論 4 330
  • 正文 年R本政府宣布赋朦,位于F島的核電站,受9級(jí)特大地震影響李破,放射性物質(zhì)發(fā)生泄漏宠哄。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,940評(píng)論 3 313
  • 文/蒙蒙 一嗤攻、第九天 我趴在偏房一處隱蔽的房頂上張望毛嫉。 院中可真熱鬧,春花似錦妇菱、人聲如沸承粤。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)辛臊。三九已至,卻和暖如春房交,著一層夾襖步出監(jiān)牢的瞬間彻舰,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留刃唤,地道東北人隔心。 一個(gè)月前我還...
    沈念sama閱讀 46,382評(píng)論 2 360
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像透揣,于是被迫代替她去往敵國(guó)和親济炎。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,543評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容