1. 梯度下降算法
深度学习中, 梯度下降算法是是一种很重要的算法.
梯度下降算法与求极值的方法非常类似, 其核心思想是求解 x ′ x' x′, 使得 x ′ x' x′ 在取 x ⋆ x^{\star} x⋆ 时, 可以使得 l o s s 函数 loss函数 loss函数 的值最小.
其中, 在求解 x ′ x' x′ 的过程中, 采用的是迭代的方法, 不断迭代逼近 x\^{\\star}. 最基本的公式为:
x ′ = x − l r × ▽ x x' = x - lr \times \triangledown x x′=x−lr×▽x
其中 ▽ x \triangledown x ▽x为 l o s s ′ ∣ x loss'|_{x} loss′∣x , l r lr lr 为学习率, 以上述公式为基础，发展出了更多的求解器.
2. 噪声
在现实世界中, 数据总是会存在误差.
y = w ∗ x + b + ϵ ϵ ∼ N ( 0.01 , 1 ) y = w * x + b + \epsilon \enspace\enspace \epsilon \sim {N(0.01, 1)} y=w∗x+b+ϵϵ∼N(0.01,1)
l o s s = ( W X + b − y ) 2 loss = (WX + b - y)^2 loss=(WX+b−y)2
3. 回归与分类
3.1 线性回归
预测范围为实数区间.
3.2 逻辑回归
加了压缩函数后, 压缩了预测范围[0, 1].
3.3 分类
如手写数字识别.
4. 优化
y = w x + b + ϵ y = wx + b + \epsilon y=wx+b+ϵ中, 通过已有的 x i x_i xi y i y_i yi求解 w w w ϵ \epsilon ϵ, 可以优化为以下问题:
5. 回归问题实践
5.1 计算给定点的误差
代码如下所示:
python
def compute_error_for_line_given_points(b, w, points):
totalError = 0
for i in range(0, len(points)):
x = points[i, 0] # 获取当前点的x坐标
y = points[i, 1] # 获取当前点的y坐标
# 计算预测值与实际值之间的差的平方，并累加到总误差中
totalError += (y - (w * x + b)) ** 2
# 返回平均误差
return totalError / float(len(points))5.2 计算梯度下降的梯度, 更新b和w
代码如下所示:
python
def step_gradient(b_current, w_current, points, learningRate):
b_gradient = 0
w_gradient = 0
N = float(len(points)) # 点的总数
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
# 计算b和w的梯度
# 梯度计算
b_gradient += -(2 / N) * (y - (w_current * x + b_current))
w_gradient += -(2 / N) * x * (y - (w_current * x + b_current))
# 使用学习率更新b和w
new_b = b_current - (learningRate * b_gradient)
new_w = w_current - (learningRate * w_gradient)
return [new_b, new_w]5.3 执行梯度下降算法, 迭代b和w
代码如下所示:
python
def gradient_descent_runner(points, starting_b, starting_m, learning_rate, num_iterations):
b = starting_b
m = starting_m # 通常w用于表示斜率，但这里用m，可能是为了与初始变量名保持一致
for i in range(num_iterations):
b, m = step_gradient(b, m, np.array(points), learning_rate)
return [b, m]5.4 完整代码
python
import torch # 导入torch库，但在此代码中未直接使用
import numpy as np # 导入numpy库，用于处理数值数据
# 计算给定直线（由参数b和w定义）对于一组点的误差
def compute_error_for_line_given_points(b, w, points):
totalError = 0
for i in range(0, len(points)):
x = points[i, 0] # 获取当前点的x坐标
y = points[i, 1] # 获取当前点的y坐标
# 计算预测值与实际值之间的差的平方，并累加到总误差中
totalError += (y - (w * x + b)) ** 2
# 返回平均误差
return totalError / float(len(points))
# 计算梯度下降中的梯度，并更新直线参数b和w
def step_gradient(b_current, w_current, points, learningRate):
b_gradient = 0
w_gradient = 0
N = float(len(points)) # 点的总数
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
# 计算b和w的梯度
# 梯度计算
b_gradient += -(2 / N) * (y - (w_current * x + b_current))
w_gradient += -(2 / N) * x * (y - (w_current * x + b_current))
# 使用学习率更新b和w
new_b = b_current - (learningRate * b_gradient)
new_w = w_current - (learningRate * w_gradient)
return [new_b, new_w]
# 执行梯度下降算法以优化直线参数
def gradient_descent_runner(points, starting_b, starting_m, learning_rate, num_iterations):
b = starting_b
m = starting_m # 通常w用于表示斜率，但这里用m，可能是为了与初始变量名保持一致
for i in range(num_iterations):
b, m = step_gradient(b, m, np.array(points), learning_rate)
return [b, m]
# 主函数，用于运行梯度下降算法
def run():
points = np.genfromtxt("data.csv", delimiter=",") # 从CSV文件加载数据点
learning_rate = 0.0001 # 设置学习率
initial_b = 0 # 初始截距
initial_m = 0 # 初始斜率（这里用m代替w）
num_iterations = 1000 # 设置迭代次数
# 在开始梯度下降之前，计算并打印初始误差
print("Starting gradient descent at b = {0}, w = {1}, error = {2}"
.format(initial_b, initial_m,
compute_error_for_line_given_points(initial_b, initial_m, points)))
print("Running...")
# 执行梯度下降
[b, m] = gradient_descent_runner(points, initial_b, initial_m, learning_rate, num_iterations)
# 打印梯度下降后的结果和最终误差
print("After {0} iterations b = {1}, w ={2}, error = {3}"
.format(num_iterations, b, m,
compute_error_for_line_given_points(b, m, points))
)
if __name__ == '__main__':
run() # 调用主函数