随机梯度下降 Stochastic Gradient Descent(SGD)

 

随机梯度下降 Stochastic Gradient Descent(SGD)

随机梯度下降相比于梯度下降，随机梯度是从N个样本中随机选取其中单个样本来计算它的损失

梯度下降公式

其中

随机梯度下降公式

其中

随机梯度下降的损失函数

代码

准备训练数据

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

初始化权重

w = 1.0

 定义模型

def forward(x):
  return x * w

定义损失函数

def loss(x, y):
  y_pred = forward(x)
  return (y_pred - y) ** 2

定义随机梯度下降函数

def gradient(x, y):
  return 2 * x * (x * w - y)

 打印训练前梯度

print('Predict (before training)', 4, forward(4))

定义保存用plt库显示的数据

loss_list = []
epoch_list = []

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("epoch:", epoch, "w=", w, "loss=", loss)
  epoch_list.append(epoch)
  loss_list.append(l)
print('Predict(after training)', 4, forward(4))

 输出训练结果

........

绘制曲线图

plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()