LMS算法可认为是机器学习里面最基本也比较有用的算法,神经网络中对参数的学习使用的就是LMS的思想,在通信信号处理领域LMS也非常常见,比如自适应滤波器。
其它就是利用梯度下降的算法来实现的,具体推导如下:
最后这条公式,就是LMS算法的实现基础,可以使用python代码实现如下:
import numpy as np
import random
from matplotlib import pyplot as plt
# m是点的数量
def gradientDescent(x, y, theta, alpha, m, numIterations):
#矩阵转置
xTrans = x.transpose()
cost = None
for i in range(0, numIterations):
#点积
hypothesis = np.dot(x, theta)
#计算最小平方数
loss = hypothesis - y
cost = np.sum(loss ** 2) / (2 * m)
#print("Iteration %d | Cost: %f" % (i, cost))
# 计算梯度
gradient = np.dot(xTrans, loss) / m
# 更新值
theta = theta - alpha * gradient
print("Iteration %d | Cost: %f" % (numIterations, cost))
return theta
def genData(numPoints, bias, variance):
x = np.zeros(shape=(numPoints, 2))
y = np.zeros(shape=numPoints)
# 构造一条直线左右的点
for i in range(0, numPoints):
# 偏移
x[i][0] = 1
x[i][1] = i
# 目标值
y[i] = bias + i * variance + random.uniform(0, 1) * 15
return x, y
def plotModel(x, y, w):
plt.plot(x[:,1], y, "x")
plt.plot(x[:,1], [i+j for i, j in x * w], "r-")
plt.show()
# 生成 100个点,截距为6, 斜率为0.8
x, y = genData(50, 6, 0.8)
#获取x矩阵的行列
m, n = np.shape(x)
#迭代次数
numIterations = 100000
#学习步伐
alpha = 0.00005
#计算回归参数
theta = np.ones(n)
print(theta)
theta = gradientDescent(x, y, theta, alpha, m, numIterations)
print(theta)
plotModel(x, y, theta)
从这个代码里,可以理解前面学习梯度的作用,以及梯度求解,就是最优化的方法。通过这个例子,也明白了什么叫做LMS算法,以及它的实现方法,同时也可以理解TensorFlow梯度优化器的原理,为什么需要不断对它进行迭代运行,以及更新梯度和应用梯度的过程。