欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Python 随机梯度下降 SGD 代码实现 笔记

程序员文章站 2022-06-27 10:33:27
...

回顾梯度下降流程

#1 初始化 θ\theta
#2 求 gradient
#3 θt+1=θtαg\theta^{t+1}=\theta^{t}-\alpha • g
#4 gg 收敛

随机梯度下降 SGD

随机:Stochastic
梯度:Gradient
下降:Descent
每一步下降用随机抽取的样本

优点:速度快
缺点:精度下降
for i = 1 to m,{
       θj:=θjα(hθ(x(i))y(i))xj(i)\theta_{j}:=\theta_{j}-\alpha(h_{\theta}(x^{(i)})-y^{(i)})x_{j}^{(i)}
}
#随机索引,抽取出来,进行训练
index = np.random.randint(m)
xi = x_b[index:index+1]
yi = y[index:index+1]
gradients = xi.T.dot(xi.dot(theta)-yi)

import numpy as np
import matplotlib.pyplot as plt

# 随机X纬度x1,rand是随机均匀分布
x = 2 * np.random.rand(100,1)
# 人为设置真实的Y一列 np.random.randn(100,1) 设置误差遵循标准正态分布
y = 4 + 3 * x + np.random.randn(100,1)
# 整合 x0 和 x1 成矩阵
x_b = np.c_[np.ones((100,1)),x]

learning_rate = 0.01 # 学习率一般默认设置为0.01
n_iterations = 10000 # 迭代次数够多即可(不一定需要全局最优解)
m = 100 # 100 行

# #1 初始化theta,w0...wn
theta = np.random.randn(2,1) # x_b 中只有x0,x1,只需要两个theta

# #4 不设置阀值,直接设置超参数,迭代次数,迭代次数到了就认为收敛了
for iteration in range(n_iterations):
    # #2 求梯度gradient
    index = np.random.randint(m) # 随机索引,抽取出来,进行训练
    xi = x_b[index:index+1] # 抽取随机x
    yi = y[index:index+1] # 抽取随机x对应的y
    gradients = x_b.T.dot(x_b.dot(theta)-y)# 不需要1/m平权
    # #3 调整theta值
    theta = theta - learning_rate * gradients

print(theta)

x_new = np.array([[0],[2]])
x_new_b = np.c_[(np.ones((2,1))),x_new]
y_predict = x_new_b.dot(theta)

# 绘制图形
plt.plot(x_new,y_predict,'r-')
plt.plot(x,y,'b.')
plt.axis([0,2,0,15])
plt.show()