标签:03 plt 刘二 grad list epoch Pytorch cost data
刘老师讲的十分细节,易于理解,大家可以去学习,课堂地址,废话不多说,直接上代码。
梯度下降算法课堂代码:
# 梯度下降算法
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
#计算损失函数MSE
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)
#计算梯度
def gradient(xs,ys):
grad = 0
for x,y in zip(xs,ys):
grad += 2 * x * (x * w - y)
return grad / len(xs)
print('Predict (before training)',4,forward(4))
epoch_list = []
cost_list = []
#进行一百轮的训练
for epoch in range(100):
cost_val = cost(x_data,y_data)
grad_val = gradient(x_data,y_data)
w -= 0.01 * grad_val
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.xlabel('Epoch')
plt.ylabel('Cost')
plt.grid()
plt.show()
结果图如下:
随机梯度下降算法:
基本思路:只通过一个随机选取的数据 ( x n , y n ) (x_n,y_n) (xn,yn) 来获取“梯度”,以此对 ω \omega ω 进行更新,这种优化方法叫做随机梯度下降。
#随机梯度下降
import matplotlib.pyplot as plt
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
#计算损失函数MSE
def loss(x,y):
y_pred = forward(x)
return (y_pred - y) ** 2
#计算梯度
def gradient(x,y):
return 2 * x * (x * w - y)
print('Predict (before training)',4,forward(4))
epoch_list = []
loss_list = []
#进行一百轮的训练
for epoch in range(100):
for x,y in zip(x_data,y_data):
grad = gradient(x,y)
w -= 0.01 * grad
print('\tgrad: ',x,y,grad)
l = loss(x,y)
print('progress:',epoch,'w = ',w,'loss = ',l)
epoch_list.append(epoch)
loss_list.append(l)
print('Predict (after training)',4,forward(4))
plt.plot(epoch_list,loss_list)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.grid()
plt.show()
运行结果图:
标签:03,plt,刘二,grad,list,epoch,Pytorch,cost,data 来源: https://blog.csdn.net/yuboyang09/article/details/120584743
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。