新手入门：梯度下降算法

喜欢ヅ旅行 2022-05-15 08:15 291阅读 0赞

梯度下降算法，它主要的实现功能，是一个优化算法，通过给出的实例来不断逼近某个模型。

例如用下山的例子来解释梯度下降算法，我们要最快速的下山，第一个是找到最陡的坡，第二个是迈出适当的步伐。两者结合才能达到最快的速度。

![70][]

从山顶下山：1.最陡峭 2.适当步伐。

1.如果不是最陡峭的路，那么我们走缓坡，可能会延长路径长度

2.如果不是适当步伐，走少了，我们需要多迈步，走多了，我们需要重新规划路径

如何找到最陡峭的路，利用梯度。

### **什么是梯度**： ###

函数式子求导，得出的结果，就是梯度，也是变化率。

多元函数时，对每一个变量，分别求导。

来看梯度的百度百科解释：

![70 1][]

其实很简单，具备大学高数的基础知识就能理解，即多元微分。

![70 2][]

百度百科解释的很明确，这里不多赘述了。

所以说，最陡峭的地方，就是**梯度所指方向，**当然，在这里指的是**其反方向。**因为我们要下山，而不是上山。我们按照梯度所指方向，就能够最快速到达最低点。

上述已经基本描述清楚梯度下降讲的是个什么东西，下面通过标准的数学方式来解释：

![70 3][]

第一个参数代表下一步的位置

第二个参数代表当前位置

因为是反方向，所以是负号

a代表步长，每迈出一步的距离，如上文所说，不能太大也不能太小

![70 4][]代表梯度

### **实例测试**： ###

有函数：

![70 5][]

![70 6][]

其微分为：

![70 7][]

起点：

![70 8][]

步长设置为   0.1

根据梯度下降公式，我们计算：

![70 3][]

下面的各个值为：

![70 9][]

此时的值足够小，可以被认为到达山脚下。这个模型只是无限逼近，不会达到最后的最小值0.

同理二元函数也可以达到。

### **应用场景**： ###

给定许多数据，例如许多坐标，来拟合成一条线性的直线。

### **应用场景：** ###

感知机（perceptron）为二类分类的线性分类模型。 输入为实例的特征向量，输出为实例的类别， 取+1 和 -1 二值。

什么是感知机：对于神经网络模型来说，如果不采用激活函数，而用线性进行处理，无论中间怎么处理，最后得到的结果还是线性的结果。如果加入激活函数，就可以被用于拟合各种非线性模型中去。

下面这个实例，给出了很多的点，然后根据梯度下降算法来求出拟合的直线。

用代码进行运算：

# -*- coding: utf-8 -*-
    """
    Created on Mon Aug 27 15:11:52 2018
    
    @author: zlee
    """
    import matplotlib.pyplot as plt
    from pylab import plot
    import numpy as np
    m = 20 
    X0 = np.ones((m, 1)) #组成一个数组为【i,1】的坐标集合
    X1 = np.arange(1, m+1).reshape(m, 1) #arrange根据生成的start与end生成一个ndarray数组，reshape给数组一个新的形状而不改变其数据
    X = np.hstack((X0, X1)) # 堆栈数组水平顺序（列）
    y = np.array([ 3, 4, 5, 5, 2, 4, 7, 8, 11, 8, 12, 11, 13, 13, 16, 17, 18, 17, 19, 21 ]).reshape(m, 1) 
    # The Learning Rate alpha. 
    alpha = 0.01 
    '''
    代价函数
    '''
    def error_function(theta, X, y): 
        diff = np.dot(X, theta) - y 
        return (1./2*m) * np.dot(np.transpose(diff), diff) 
    '''
    代价函数梯度
    '''
    def gradient_function(theta, X, y): 
        diff = np.dot(X, theta) - y 
        return (1./m) * np.dot(np.transpose(X), diff) 
    '''
    梯度下降迭代计算
    '''
    def gradient_descent(X, y, alpha): 
        theta = np.array([1, 1]).reshape(2, 1) #数组转为两行一列
        gradient = gradient_function(theta, X, y)
        while not np.all(np.absolute(gradient) <= 1e-5): 
            theta = theta - alpha * gradient 
            gradient = gradient_function(theta, X, y) 
        return theta 
    #折线图绘制函数
    plot(y,'r*')
    plt.show()
    
    optimal = gradient_descent(X, y, alpha) 
    print('optimal:', optimal) 
    print('error function:', error_function(optimal, X, y)[0,0])

本来的点集合图像为：

![70 10][]

[70]: /images/20220515/03776c9ebf7348ee911fa61f9a04b54e.png
[70 1]: /images/20220515/19bace999e794ad88b39967bead24b51.png
[70 2]: /images/20220515/341c2734223742328c9ca5a9d9d36465.png
[70 3]: /images/20220515/3bccb21a77d545709b97c8f2b572aeb8.png
[70 4]: /images/20220515/6b045221f0494f1c9b343bdd1837107a.png
[70 5]: /images/20220515/4034c69045e04a04be9d8ab2f0705fe6.png
[70 6]: /images/20220515/9a6e3abeef75431ba75872decfb88de5.png
[70 7]: /images/20220515/6cc56f9e92f74bc981f146f8f3c8bf83.png
[70 8]: /images/20220515/7c0ecbadfccb43219d6226c0d23354cb.png
[70 9]: /images/20220515/edd4e7f455024ad7a4f337344115662d.png
[70 10]: /images/20220515/438ba440b7804048917346c7fffd2064.png