5分钟带你解读Python人工智能优化算法

梯度下降是神经网络中流行的优化算法之一。一般来说,我们想要找到最小化误差函数的权重和偏差。梯度下降算法迭代地更新参数,以使整体网络的误差最小化。

5分钟带你解读Python人工智能优化算法

梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数,即无约束优化问题时,梯度下降(Gradient Descent)是最常采用的方法之一,另一种常用的方法是最小二乘法。在求解损失函数的最小值时,可以通过梯度下降法来一步步的迭代求解,得到最小化的损失函数和模型参数值。反过来,如果我们需要求解损失函数的最大值,这时就需要用梯度上升法来迭代了。在机器学习中,基于基本的梯度下降法发展了两种梯度下降方法,分别为随机梯度下降法和批量梯度下降法。

该算法在损失函数的梯度上迭代地更新权重参数,直至达到最小值。换句话说,我们沿着损失函数的斜坡方向下坡,直至到达山谷。基本思想大致如图3.8所示。如果偏导数为负,则权重增加(图的左侧部分),如果偏导数为正,则权重减小(图中右半部分) 42 。学习速率参数决定了达到最小值所需步数的大小。

5分钟带你解读Python人工智能优化算法

随机梯度最小化的基本思想

5分钟带你解读Python人工智能优化算法

误差曲面

寻找全局最佳方案的同时避免局部极小值是一件很有挑战的事情。这是因为误差曲面有很多的峰和谷,如图3.9所示。误差曲面在一些方向上可能是高度弯曲的,但在其他方向是平坦的。这使得优化过程非常复杂。为了避免网络陷入局部极小值的境地,通常要指定一个冲量(momentum)参数。

5分钟带你解读Python人工智能优化算法

图3.9 典型优化问题的复杂误差曲面

我很早就发现,使用梯度下降的反向传播通常收敛得非常缓慢,或者根本不收敛。在编写第一个神经网络时,我使用了反向传播算法,该网络包含一个很小的数据集。网络用了3天多的时间才收敛到一个解决方案。幸亏我采取一些措施加快了处理过程。

说明 虽然反向传播相关的学习速率相对较慢,但作为前馈算法,其在预测或者分类阶段是相当快速的。

5分钟带你解读Python人工智能优化算法

随机梯度下降

传统的梯度下降算法使用整个数据集来计算每次迭代的梯度。对于大型数据集,这会导致冗余计算,因为在每个参数更新之前,非常相似的样本的梯度会被重新计算。随机梯度下降(SGD)是真实梯度的近似值。在每次迭代中,它随机选择一个样本来更新参数,并在该样本的相关梯度上移动。因此,它遵循一条曲折的通往极小值的梯度路径。在某种程度上,由于其缺乏冗余,它往往能比传统梯度下降更快地收敛到解决方案。

说明 随机梯度下降的一个非常好的理论特性是,如果损失函数是凸的 43 ,那么保证能找到全局最小值。

代码实践

理论已经足够多了,接下来敲一敲实在的代码吧。

一维问题

假设我们需要求解的目标函数是:

()=2+1f(x)=x2+1

5分钟带你解读Python人工智能优化算法

显然一眼就知道它的最小值是 =0x=0 处,但是这里我们需要用梯度下降法的 Python 代码来实现。

#!/usr/bin/env python 
# -*- coding: utf-8 -*- 
""" 
一维问题的梯度下降法示例 
""" 


def func_1d(x): 
 """ 
 目标函数 
 :param x: 自变量,标量 
 :return: 因变量,标量 
 """ 
 return x ** 2 + 1 


def grad_1d(x): 
 """ 
 目标函数的梯度 
 :param x: 自变量,标量 
 :return: 因变量,标量 
 """ 
 return x * 2 


def gradient_descent_1d(grad, cur_x=0.1, learning_rate=0.01, precision=0.0001, max_iters=10000): 
 """ 
 一维问题的梯度下降法 
 :param grad: 目标函数的梯度 
 :param cur_x: 当前 x 值,通过参数可以提供初始值 
 :param learning_rate: 学习率,也相当于设置的步长 
 :param precision: 设置收敛精度 
 :param max_iters: 最大迭代次数 
 :return: 局部最小值 x* 
 """ 
 for i in range(max_iters): 
 grad_cur = grad(cur_x) 
 if abs(grad_cur) < precision: 
 break # 当梯度趋近为 0 时,视为收敛 
 cur_x = cur_x - grad_cur * learning_rate 
 print("第", i, "次迭代:x 值为 ", cur_x) 

 print("局部最小值 x =", cur_x) 
 return cur_x 


if __name__ == '__main__': 
 gradient_descent_1d(grad_1d, cur_x=10, learning_rate=0.2, precision=0.000001, max_iters=10000)

就是这么酷吧!用Python理解剃度下降,喜欢的小伙伴点个关注、转发、收藏哦!

相关推荐