python實現隨機梯度下降法

一、為什麼要提出隨機梯度下降演算法

也就是說每次更新權值

二、核心思想

對於權值的更新不再通過遍歷全部的資料集，而是選擇其中的乙個樣本即可（對於程式設計師來說你的第一反應一定是：在這裡需要乙個隨機函式來選擇乙個樣本，不是嗎？），一般來說其步長的選擇比梯度下降法的步長要小一點，因為梯度下降法使用的是準確梯度，所以它可以朝著全域性最優解（當問題為凸問題時）較大幅度的迭代下去，但是隨機梯度法不行，因為它使用的是近似梯度，或者對於全域性來說有時候它走的也許根本不是梯度下降的方向，故而它走的比較緩，同樣這樣帶來的好處就是相比於梯度下降法，它不是那麼容易陷入到區域性最優解中去。

三、權值更新方式

(i表示樣本標號下標，j表示樣本維數下標)

四、**實現(大體與梯度下降法相同，不同在於while迴圈中的內容)

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
from matplotlib import style
#構造資料
def get_data(sample_num=1000):
"""擬合函式為
y = 5*x1 + 7*x2
:return:
"""x1 = np.linspace(0, 9, sample_num)
x2 = np.linspace(4, 13, sample_num)
x = np.concatenate(([x1], [x2]), axis=0).t
y = np.dot(x, np.array([5, 7]).t)  
return x, y
#梯度下降法
def sgd(samples, y, step_size=2, max_iter_count=1000):
""":param samples: 樣本
:param y: 結果value
:param step_size: 每一接迭代的步長
:param max_iter_count: 最大的迭代次數
:param batch_size: 隨機選取的相對於總樣本的大小
:return:
"""#確定樣本數量以及變數的個數初始化theta值
m, var = samples.shape
theta = np.zeros(2)
y = y.flatten()
#進入迴圈內
loss = 1
iter_count = 0
iter_list=
loss_list=
theta1=
theta2=
#當損失精度大於0.01且迭代此時小於最大迭代次數時，進行
while loss > 0.01 and iter_count < max_iter_count:
loss = 0
#梯度計算
#樣本維數下標
rand1 = np.random.randint(0,m,1)
h = np.dot(theta,samples[rand1].t)
#關鍵點，只需要乙個樣本點來更新權值
for i in range(len(theta)):
theta[i] =theta[i] - step_size*(1/m)*(h - y[rand1])*samples[rand1,i]
#計算總體的損失精度，等於各個樣本損失精度之和
for i in range(m):
h = np.dot(theta.t, samples[i])
#每組樣本點損失的精度
every_loss = (1/(var*m))*np.power((h - y[i]), 2)
loss = loss + every_loss
print("iter_count: ", iter_count, "the loss:", loss)
iter_count += 1
plt.plot(iter_list,loss_list)
plt.xlabel("iter")
plt.ylabel("loss")
plt.show()
return theta1,theta2,theta,loss_list
def painter3d(theta1,theta2,loss):
style.use('ggplot')
fig = plt.figure()
ax1 = fig.add_subplot(111, projection='3d')
x,y,z = theta1,theta2,loss
ax1.plot_wireframe(x,y,z, rstride=5, cstride=5)
ax1.set_xlabel("theta1")
ax1.set_ylabel("theta2")
ax1.set_zlabel("loss")
plt.show()
if __name__ == '__main__':
samples, y = get_data()
theta1,theta2,theta,loss_list = sgd(samples, y)
print(theta)  # 會很接近[5, 7]
painter3d(theta1,theta2,loss_list)

python實現隨機梯度下降法

梯度下降法和隨機梯度下降法

隨機梯度下降法

隨機梯度下降法

相關推薦