改變損失函式和學習率來觀察收斂性

改變損失函式和學習率來觀察收斂性的變化。

# linear regression: l1 vs l2

# 改變損失函式和學習率來觀察收斂性的變化
#----------------------------------
## this function shows how to use tensorflow to
# solve linear regression via the matrix inverse.
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from sklearn import datasets
from tensorflow.python.framework import ops
ops.reset_default_graph()
# create graph
sess = tf.session()
# load the data
# iris.data = [(sepal length, sepal width, petal length, petal width)]
iris = datasets.load_iris()
x_vals = np.array([x[3] for x in iris.data])
y_vals = np.array([y[0] for y in iris.data])
# declare batch size and number of iterations
batch_size = 25
learning_rate = 0.05  # 學習率0.4將不會收斂
iterations = 50
# initialize placeholders
x_data = tf.placeholder(shape=[none, 1], dtype=tf.float32)
y_target = tf.placeholder(shape=[none, 1], dtype=tf.float32)
# create variables for linear regression
a = tf.variable(tf.random_normal(shape=[1,1]))
b = tf.variable(tf.random_normal(shape=[1,1]))
# declare model operations
model_output = tf.add(tf.matmul(x_data, a), b)
# 損失函式改為l1正則損失函式
loss_l1 = tf.reduce_mean(tf.abs(y_target - model_output))
# declare optimizers
my_opt_l1 = tf.train.gradientdescentoptimizer(learning_rate)
train_step_l1 = my_opt_l1.minimize(loss_l1)
# initialize variables
init = tf.global_variables_initializer()
sess.run(init)
# training loop
loss_vec_l1 = 
for i in range(iterations):
rand_index = np.random.choice(len(x_vals), size=batch_size)
rand_x = np.transpose([x_vals[rand_index]])
rand_y = np.transpose([y_vals[rand_index]])
sess.run(train_step_l1, feed_dict=)
temp_loss_l1 = sess.run(loss_l1, feed_dict=)
if (i+1)%25==0:
print('step #' + str(i+1) + ' a = ' + str(sess.run(a)) + ' b = ' + str(sess.run(b)))
# l2 loss
# reinitialize graph
ops.reset_default_graph()
# create graph
sess = tf.session()
# initialize placeholders
x_data = tf.placeholder(shape=[none, 1], dtype=tf.float32)
y_target = tf.placeholder(shape=[none, 1], dtype=tf.float32)
# create variables for linear regression
a = tf.variable(tf.random_normal(shape=[1,1]))
b = tf.variable(tf.random_normal(shape=[1,1]))
# declare model operations
model_output = tf.add(tf.matmul(x_data, a), b)
# 損失函式改為l2正則損失函式
loss_l2 = tf.reduce_mean(tf.square(y_target - model_output))
# declare optimizers
my_opt_l2 = tf.train.gradientdescentoptimizer(learning_rate)
train_step_l2 = my_opt_l2.minimize(loss_l2)
# initialize variables
init = tf.global_variables_initializer()
sess.run(init)
loss_vec_l2 = 
for i in range(iterations):
rand_index = np.random.choice(len(x_vals), size=batch_size)
rand_x = np.transpose([x_vals[rand_index]])
rand_y = np.transpose([y_vals[rand_index]])
sess.run(train_step_l2, feed_dict=)
temp_loss_l2 = sess.run(loss_l2, feed_dict=)
if (i+1)%25==0:
print('step #' + str(i+1) + ' a = ' + str(sess.run(a)) + ' b = ' + str(sess.run(b)))
# plot loss over time
plt.plot(loss_vec_l1, 'k-', label='l1 loss')
plt.plot(loss_vec_l2, 'r--', label='l2 loss')
plt.title('l1 and l2 loss per generation')
plt.xlabel('generation')
plt.ylabel('l1 loss')
plt.legend(loc='upper right')
plt.show()

iris資料線性回歸的l1正則和l2正則損失，學習率為0.05。

從上圖中可以看出，當學習率為0.05時，l2正則損失更優，其有更低的損失值。當增加學習率為0.4時，繪製其損失函式（見下圖）。

iris資料線性回歸的l1正則和l2正則損失，學習率為0.4。其中l1正則損失不可見是因為它的y軸值太大。學習率大導致l2損失過大，而l1正則損失收斂。

學習率0.1

這裡清晰地展示大學習率和小學習率對l1正則和l2正則損失函式的影響。這裡視覺化的是l1正則和l2正則損失函式的一維情況，如下圖。

複雜度 學習率 損失函式

神經網路的複雜度用 網路層數和神經網路引數的個數來表示 空間複雜度 import tensorflow as tf x tf.random.normal 20 2 mean 2,stddev 1,dtype tf.float32 y item1 2 item2 for item1,item2 in ...

和學習率 機器學習中的成本函式，學習率和梯度下降

我們在機器學習中最主要的目標是最小化成本函式，因此，將執行優化過程以最小化該成本函式。成本函式由下式給出 為了深入了解成本函式的幾何形狀，讓我們學習凹函式和凸函式 凹函式 在凹函式g x 中，對於x軸上的任意兩個值，即a和b，點g a 和g b 之間的直線總是位於g x 的下方。凹函式的最大值是乙個...

深度學習筆記 三 啟用函式和損失函式

深度學習筆記 一 logistic分類 深度學習筆記 二 簡單神經網路，後向傳播演算法及實現 深度學習筆記 三 啟用函式和損失函式 深度學習筆記 優化方法總結 bgd,sgd,momentum,adagrad,rmsprop,adam 深度學習筆記 四 迴圈神經網路的概念，結構和 注釋 深度學習筆記...