Author :Horizon Max
✨ 编程技巧篇:各种操作小结
机器视觉篇:会变魔术 OpenCV
深度学习篇:简单入门 PyTorch
神经网络篇:经典网络模型
算法篇:再忙也别忘了 LeetCode
视频链接:Lecture 03 Gradient_Descent
文档资料:
//Here is the link:
课件链接:https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw
提取码:cxe4
使得拟合出来的直线尽可能多的 穿过或者接近 给定的3组数据,
在这里我们一般都会 随机初始化 一个 W 值,
然后利用 穷举法不断的更新迭代 直到找到一个 最优 的拟合(直线)曲线;
假设给定的随机初始值 W 为:Initial Guess
cost-W 曲线存在一个 最优点(损失值最小点):Global cost minimum
那么下一次 W值 更新迭代的时候是往 左 or 右 呢 ?
这就涉及到 梯度下降 的问题了,
在机器学习中,最小化损失函数时,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。
我们可以对 W0 点进行 求导 得到该处的导数,偏导数以向量的形式就是 梯度(具有方向)
W ’ > 0 ,单调递增; W ’ < 0 ,单调递减;
这里我们建立了一个 Update 函数,使得每次的更新都 往梯度下降的方向 进行,
式中 α 为 学习率,即更新迭代的速率,决定了下一次更新 W(n+1) - W(n) 之间距离。
# Here is the code :
import matplotlib.pyplot as plt
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w = 1.0
def forward(x):
return x*w
def cost(xs, ys):
cost = 0
for x, y in zip(xs,ys):
y_pred = forward(x)
cost += (y_pred - y)**2
return cost / len(xs)
def gradient(xs,ys):
grad = 0
for x, y in zip(xs,ys):
grad += 2*x*(x*w - y)
return grad / len(xs)
epoch_list = []
cost_list = []
print('Predict (before training)', 4, forward(4))
for epoch in range(100):
cost_val = cost(x_data, y_data)
grad_val = gradient(x_data, y_data)
w -= 0.01 * grad_val # 0.01 learning rate(学习率)
print('Epoch:', epoch, 'w=', w, 'loss=', cost_val)
epoch_list.append(epoch)
cost_list.append(cost_val)
print('Predict (after training)', 4, forward(4))
plt.plot(epoch_list, cost_list)
plt.ylabel('cost')
plt.xlabel('Epoch')
plt.show()
PyTorch 官方文档: PyTorch Documentation
PyTorch 中文手册: PyTorch Handbook
《PyTorch深度学习实践》系列链接:
Lecture01 Overview
Lecture02 Linear_Model
Lecture03 Gradient_Descent
Lecture04 Back_Propagation
Lecture05 Linear_Regression_with_PyTorch
Lecture06 Logistic_Regression
Lecture07 Multiple_Dimension_Input
Lecture08 Dataset_and_Dataloader
Lecture09 Softmax_Classifier
Lecture10 Basic_CNN
Lecture11 Advanced_CNN
Lecture12 Basic_RNN
Lecture13 RNN_Classifier