文章目录
- 1.梯度下降法
- 2.线性回归问题
- 3.具体代码
1.梯度下降法
梯度下降法是一种常用的迭代方法，其目的是让输入向量找到一个合适的迭代方向，使得输出值能达到局部最小值。在拟合线性回归方程时，我们把损失函数视为以参数向量为输入的函数，找到其梯度下降的方向并进行迭代，就能找到最优的参数值。
我们看下面这个二维平面：
也就是说我们要运用梯度下降法顺利且快速的找到全局最优解，也就是最低的地方，我们运用的公式如下：
W1为上一层的权值，α为学习率，后面这个比值是y对w进行求导之和，通过我后面给的代码可以很清楚的看出来。
这时候最关键的地方就是学习率的大小了，要了解学习率的大小对于找全局最优解的影响可以看我上一篇博客:
然后通过调整学习率可以有效的找到我们全局最优解，也就是下图：
找到全局最优之后就可以得到我们最优的w和b，从而得到最优的loss(衡量预测值和真实值的差异)。由于导数(对应的斜率)是矢量，也就是y对w的比值是有正负的，所以如果学习率得当，那么当小球(假装从山顶向下找最优解的是小球)达到最底端之后就会一直在这个附近徘徊，也就是我们要找的最优解，但是这里很有可能不是全局最优，而是局部最优，就好似山坡上有许多坑，从小球来看它并不会知道哪个是最低的。
这时候我们就会考虑如何才能够避免局部最优点的困扰：
- 方法1.不同的初始权值进行训练，选择最好的结果。假定误差曲面是个坑坑洼洼的曲面，我们尝试第一次降落到随机的起点，然后再开始摸索前进，也许会有运气好的一次，能够不落在某个小坑附近，多次尝试权重，可能会找到好的全局点。
- 方法2.使用随机梯度下降代替真正的梯度下降。可以这样理解，每次针对单个数据样例进行摸索前进时，本质上是在一个样例形成的误差曲面上摸索前进，而每个样例的曲面大体类似，又不尽相同，当你掉入一个坑里时，往往能被别的曲面拽出来。
- 方法3.模拟退火法（允许在当前点的一定范围内寻找其他点，选择最优的）
2.线性回归问题
所谓的线性回归，也就是y和x的关系是线性的，就像我们平常见到的y=ax+b
在神经网络中表示的是y=wx+b，如果是多特征，我们的y就可以表示为:y=b+w1x1+w2x2+w3x3…+wnxn，其中n代表特征的个数。
3.具体代码
搞懂这个代码对于计算loss和理解梯度下降帮助很大的，请仔细欣赏。
import numpy as np
"""
主要为3步，
1.计算loss，通过定义了一个计算总损失的函数、
2.计算和更新梯度，定义了一个用于更新w和b的函数，
3.循环迭代,还有一个用于进行迭代的函数，这个迭代的函数会不断去执行更新w和b的函数，
然后把得到的w和b传入到总损失的函数去计算，最终得到一个最适宜的损失，损失函数的求解方法就是通过wx+b-y得到，
也就是说下一层的输入值减去上一层的输出值得到的差值就叫做loss。
"""
# 计算总loss
def compute_loss(w_start,b_start,points):
w = w_start
b = b_start
n = float(len(points))
totleloss = 0
for i in range(len(points)):
x = points[i,0]
y = points[i,1]
totleloss += ((w*x+b)-y)**2
return totleloss/n
# 通过梯度下降法去更新w和b
def gradient_descent_step(w_start,b_start,points,lr):
n = len(points)
for i in range(n):
x = points[i,0]
y = points[i,1]
w_gradient = (2/n)*((w_start*x+b_start)-y)*x
b_gradient = (2/n)*((w_start*x+b_start)-y)
w_new = w_start - lr * w_gradient
b_new = b_start - lr * b_gradient
return w_new,b_new
# 迭代训练，更新
def gradient_runner(w_start,b_start,points,lr,num):
w = w_start
b = b_start
points = np.array(points)
# print(points)
for i in range(num):
w,b = gradient_descent_step(w,b,points,lr)
return w,b
def run():
initial_w = 0
initial_b = 0
num = 1000
lr = 0.0001
points = np.genfromtxt('data.csv',delimiter=',')
print('Start gradient descent at w = {0},b = {1},loss = {2}'.format(initial_w,initial_b,compute_loss(initial_w,initial_b,points)))
print('running................')
w,b=gradient_runner(initial_w,initial_b,points,lr,num)
print('after {0} iterations ：w = {1},b = {2},loss = {3}'.format(num,w,b,compute_loss(w,b,points)))
if __name__ == '__main__':
run()运行结果:
在迭代次数为1000和学习率为0.0001的时候loss能达到一个最小值，相比以前的loss好了太多了，w和b也找到了最优值。 学习不止是一种能力 更是一种艺术
