快捷導(dǎo)航

python實(shí)現(xiàn)隨機(jī)梯度下降法

更新時(shí)間：2020年03月24日 11:40:54 作者：Cludy_Sky

這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)隨機(jī)梯度下降法，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

看這篇文章前強(qiáng)烈建議你看看上一篇python實(shí)現(xiàn)梯度下降法：

一、為什么要提出隨機(jī)梯度下降算法

注意看梯度下降法權(quán)值的更新方式（推導(dǎo)過程在上一篇文章中有）

也就是說每次更新權(quán)值都需要遍歷整個(gè)數(shù)據(jù)集（注意那個(gè)求和符號(hào)），當(dāng)數(shù)據(jù)量小的時(shí)候，我們還能夠接受這種算法，一旦數(shù)據(jù)量過大，那么使用該方法會(huì)使得收斂過程極度緩慢，并且當(dāng)存在多個(gè)局部極小值時(shí)，無法保證搜索到全局最優(yōu)解。為了解決這樣的問題，引入了梯度下降法的進(jìn)階形式：隨機(jī)梯度下降法。

二、核心思想

對(duì)于權(quán)值的更新不再通過遍歷全部的數(shù)據(jù)集，而是選擇其中的一個(gè)樣本即可（對(duì)于程序員來說你的第一反應(yīng)一定是：在這里需要一個(gè)隨機(jī)函數(shù)來選擇一個(gè)樣本，不是嗎？），一般來說其步長(zhǎng)的選擇比梯度下降法的步長(zhǎng)要小一點(diǎn)，因?yàn)樘荻认陆捣ㄊ褂玫氖菧?zhǔn)確梯度，所以它可以朝著全局最優(yōu)解（當(dāng)問題為凸問題時(shí)）較大幅度的迭代下去，但是隨機(jī)梯度法不行，因?yàn)樗褂玫氖墙铺荻?，或者?duì)于全局來說有時(shí)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于梯度下降法，它不是那么容易陷入到局部最優(yōu)解中去。

三、權(quán)值更新方式

(i表示樣本標(biāo)號(hào)下標(biāo)，j表示樣本維數(shù)下標(biāo))

四、代碼實(shí)現(xiàn)(大體與梯度下降法相同，不同在于while循環(huán)中的內(nèi)容)

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
from matplotlib import style
 
 
#構(gòu)造數(shù)據(jù)
def get_data(sample_num=1000):
 """
 擬合函數(shù)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(jié)果value
 :param step_size: 每一接迭代的步長(zhǎng)
 :param max_iter_count: 最大的迭代次數(shù)
 :param batch_size: 隨機(jī)選取的相對(duì)于總樣本的大小
 :return:
 """
 #確定樣本數(shù)量以及變量的個(gè)數(shù)初始化theta值
 
 m, var = samples.shape
 theta = np.zeros(2)
 y = y.flatten()
 #進(jìn)入循環(huán)內(nèi)
 loss = 1
 iter_count = 0
 iter_list=[]
 loss_list=[]
 theta1=[]
 theta2=[]
 #當(dāng)損失精度大于0.01且迭代此時(shí)小于最大迭代次數(shù)時(shí)，進(jìn)行
 while loss > 0.01 and iter_count < max_iter_count:
 loss = 0
 #梯度計(jì)算
 theta1.append(theta[0])
 theta2.append(theta[1]) 
 #樣本維數(shù)下標(biāo)
 rand1 = np.random.randint(0,m,1)
 h = np.dot(theta,samples[rand1].T)
 #關(guān)鍵點(diǎn)，只需要一個(gè)樣本點(diǎn)來更新權(quán)值
 for i in range(len(theta)):
 theta[i] =theta[i] - step_size*(1/m)*(h - y[rand1])*samples[rand1,i]
 #計(jì)算總體的損失精度，等于各個(gè)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(diǎn)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_list.append(iter_count)
 loss_list.append(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(huì)很接近[5, 7]
 
 painter3D(theta1,theta2,loss_list)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: