numpy计算梯度,python sklearn 梯度下降法

　　有些小伙伴不会解决numpy梯度最小值减小的问题。今天，边肖将带你去看一看。

　　描述：求解y1=xx-2x3 0.01 *(从-1到1的随机值)和y2=0之间的最小距离点(x，y)。

　　给定x范围(0，3)

　　不使用学习框架，手动编写梯度下降公式求解，表示为：x=x-alp*(y1-y2)导数(alp为学习率)

　　功能图像是：

　　p style="white-space: pre-wrap; line-height: 1.75em;">

代码内容：

import numpy as np 　　import matplotlib.pyplot as plt　　def get_loss(x):　　 c,r = x.shape　　 loss = (x**2 - 2*x + 3) + (0.01*(2*np.random.rand(c,r)-1))　　 return(loss)　　x = np.arange(0,3,0.01).reshape(-1,1)　　"""plt.title("loss")　　plt.plot(get_loss(np.array(x)))　　plt.show()"""　　def get_grad(x):　　 grad = 2 * x -2　　 return(grad)　　np.random.seed(31415)　　x_ = np.random.rand(1)*3　　x_s = []　　alp = 0.001　　print("X0",x_)　　for e in range(2000):　　 x_ = x_ - alp*(get_grad(x_))　　 x_s.append(x_)　　 if(e%100 == 0):　　 print(e,"steps,x_ = ",x_)　　plt.title("loss")　　plt.plot(get_loss(np.array(x_s)))　　plt.show()　　

运行结果：

X0 [1.93745582]　　0 steps,x_ = [1.93558091]　　100 steps,x_ = [1.76583547]　　200 steps,x_ = [1.6268875]　　300 steps,x_ = [1.51314929]　　400 steps,x_ = [1.42004698]　　500 steps,x_ = [1.34383651]　　600 steps,x_ = [1.28145316]　　700 steps,x_ = [1.23038821]　　800 steps,x_ = [1.18858814]　　900 steps,x_ = [1.15437199]　　1000 steps,x_ = [1.12636379]　　1100 steps,x_ = [1.1034372]　　1200 steps,x_ = [1.08467026]　　1300 steps,x_ = [1.06930826]　　1400 steps,x_ = [1.05673344]　　1500 steps,x_ = [1.04644011]　　1600 steps,x_ = [1.03801434]　　1700 steps,x_ = [1.03111727]　　1800 steps,x_ = [1.02547157]　　1900 steps,x_ = [1.02085018]　　

图片

今天的numpy解决梯度下降最小值的讲解到这里就结束了。更多Python学习推荐:Python学习网教学中心。 （推荐操作系统：windows7系统、Python 3.9.1，DELL G3电脑。）

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。