李宏毅2017机器学习homework1-利用gradient descent拟合宝可梦CP值代码并利用adagrad进行优化

import matplotlib.pyplot as plt
import numpy as npx_data = [338., 333., 328., 207., 226., 25., 179., 60., 208., 606.]  # 进化前CP数据(10组)
y_data = [640., 633., 619., 393., 428., 27., 193., 66., 226., 1591.]  # 进化后CP数据(10组)
# y_data=b+w*x_data（假设模型）
x = np.arange(-200, -100, 1)  # bias（b）,从-200~-100，以步长1为间隔返回数组(100)
y = np.arange(-5, 5, 0.1)  # weight（w），同上(100)
Z = np.zeros((len(x), len(y)))  # 形状为len(x)*len(y)零数组(100*100),存放loss值的矩阵(x,y组成的数据对共100*100个)X, Y = np.meshgrid(x, y)  # 生成坐标矩阵# 计算loss functon（遍历x，y，计算出每组数据的loss）：当b=x[i],w=y[j]时，loss(f(w,b))=Σ(y_data[n]-b-w*x_data[n])**2
for i in range(len(x)):for j in range(len(y)):# 利用x,y中所有元素b = x[i]w = y[j]Z[j][i] = 0  # 初始化loss值，用于累加for n in range(len(x_data)):Z[j][i] = Z[j][i] + (y_data[n] - b - w * x_data[n]) ** 2  # 计算数据对b=x[i],w=y[j]时总的loss值（利用十组样本数据）Z[j][i] = Z[j][i] / len(x_data)  # 求b=x[i],w=y[j]时的平均loss值
# y_data=b+w*x_data
b = -120  # 初始化w，b(随机的初始化，保证w，b在范围内即可)
w = -4
lr = 0.0000001  # learning rate(步长)
iteration = 100000  # 迭代数
# 存储b,w的历史值用于画图
b_history = [b]
w_history = [w]
# iterations
for i in range(iteration):b_grad = 0.0  # b_grad,w_grad用于累加，所以初始化为0（≠b,w）w_grad = 0.0for n in range(len(x_data)):b_grad = b_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * 1.0  # loss函数对b求偏导w_grad = w_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * x_data[n]  # loss函数对w求偏导# update parametersb = b - lr * b_grad  # 向loss值减小方向移动，更新b，w值w = w - lr * w_grad# store parameters for plottingb_history.append(b)  # 将更新后的b，w值加入列表,绘制等高线w_history.append(w)
# plot the figure
plt.contourf(x, y, Z, 50, alpha=0.5,cmap=plt.get_cmap('jet'))  # 输入x,y,Z(loss值)生成等高线，按照高度分为50层(颜色代表Z大小)，并设置属性--透明度0.5，颜色‘jet’一种过度色
plt.plot([-188.4], [2.67], '+', ms=12, markeredgewidth=2, color='orange')  # markeredgewidth设置标记的宽度，‘+’表示标记的形状
plt.plot(b_history, w_history, 'o-', ms=3, lw=1.5, color='black')
plt.xlim(-200, -100)  # 限制x，y坐标范围
plt.ylim(-5, 5)
plt.xlabel(r'$b$', fontsize=16)  # 设置坐标标签及其属性
plt.ylabel(r'$w$', fontsize=16)
plt.show()
print(w,b)#显示最终w，b的最佳值：2.6692640713379903 -188.3668387495323

代码主要是两部分：
1-loss矩阵(每对w,b的loss平均值)的求解
2-梯度下降法求解优化后的w,b(主要)
loss值以等高线的形式展示；
w，b为坐标轴
图中’+‘为w，b的最优解位置，黑色即为w，b的变化路线，背景色表示Z（loss）值的大小。

对learning rate进行优化—设置自适应learning rate（开始时lr大，随后逐渐变小），同时对不同的参数采取不同的lr，也即adagrad方法
公式为

其中g为第t次迭代的梯度，η为自己所设置的学习率。公式推导如下：

为RMS-均方根。下面是改进后的梯度下降：

# 版本2-优化模型使得b,w的learning rate不一样(adagrad方法)
import matplotlib.pyplot as plt
import numpy as npx_data = [338., 333., 328., 207., 226., 25., 179., 60., 208., 606.]  # 进化前CP数据(10组)
y_data = [640., 633., 619., 393., 428., 27., 193., 66., 226., 1591.]  # 进化后CP数据(10组)
# y_data=b+w*x_data（假设模型）
x = np.arange(-200, -100, 1)  # bias（b）,从-200~-100，以步长1为间隔返回数组(100)
y = np.arange(-5, 5, 0.1)  # weight（w），同上(100)
Z = np.zeros((len(x), len(y)))  # 形状为len(x)*len(y)零数组(100*100),存放loss值的矩阵(x,y组成的数据对共100*100个)X, Y = np.meshgrid(x, y)  # 生成坐标矩阵# 计算loss functon（遍历x，y，计算出每组数据的loss）：当b=x[i],w=y[j]时，loss(f(w,b))=Σ(y_data[n]-b-w*x_data[n])**2
for i in range(len(x)):for j in range(len(y)):# 利用x,y中所有元素b = x[i]w = y[j]Z[j][i] = 0  # 初始化loss值，用于累加for n in range(len(x_data)):Z[j][i] = Z[j][i] + (y_data[n] - b - w * x_data[n]) ** 2  # 计算数据对b=x[i],w=y[j]时总的loss值（利用十组样本数据）Z[j][i] = Z[j][i] / len(x_data)  # 求b=x[i],w=y[j]时的平均loss值
# y_data=b+w*x_data
b = -120  # 初始化w，b(随机的初始化，保证w，b在范围内即可)
w = -4
lr = 1  # 改进四
iteration = 100000  # 迭代数
# 存储b,w的历史值用于画图
b_history = [b]
w_history = [w]
lr_b = 0
lr_w = 0  # 改进一，分别给予参数b,w不同的learning rate# iterations
for i in range(iteration):b_grad = 0.0  # b_grad,w_grad用于累加，所以初始化为0（≠b,w）w_grad = 0.0for n in range(len(x_data)):b_grad = b_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * 1.0  # loss函数对b求偏导w_grad = w_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * x_data[n]  # loss函数对w求偏导lr_b = lr_b + b_grad ** 2  # 改进二lr_w = lr_w + w_grad ** 2# update parametersb = b - lr / np.sqrt(lr_b) * b_grad  # 改进三w = w - lr / np.sqrt(lr_w) * w_grad# store parameters for plottingb_history.append(b)  # 将更新后的b，w值加入列表,绘制等高线w_history.append(w)
# plot the figure
plt.contourf(x, y, Z, 50, alpha=0.5,cmap=plt.get_cmap('jet'))  # 输入x,y,Z(loss值)生成等高线，按照高度分为50层(颜色代表Z大小)，并设置属性--透明度0.5，颜色‘jet’一种过度色
plt.plot([-188.4], [2.67], '+', ms=12, markeredgewidth=2, color='orange')  # markeredgewidth设置标记的宽度，‘+’表示标记的形状
plt.plot(b_history, w_history, 'o-', ms=3, lw=1.5, color='black')
plt.xlim(-200, -100)  # 限制x，y坐标范围
plt.ylim(-5, 5)
plt.xlabel(r'$b$', fontsize=16)  # 设置坐标标签及其属性
plt.ylabel(r'$w$', fontsize=16)
plt.show()

如有不妥请指正，谢谢！

李宏毅2017机器学习homework1-利用gradient descent拟合宝可梦CP值代码并利用adagrad进行优化相关推荐

李宏毅机器学习[1]-宝可梦CP值预测
最近在B站上学习李宏毅的机器学习的课程(2020版),他讲了一个预测宝可梦CP值的例子让我对机器学习有了一个大概的了解,或者说是让我明白了机器学习是要干嘛.下面是我对这个例子的认识和理解. 目标:预测 ...
李宏毅2017机器学习课程回归
李宏毅2017机器学习课程 P3 回归 Regression 下文不区分w和ω( 文章目录李宏毅2017机器学习课程 P3 回归 Regression 回归定义举例:Pokemon精灵攻击力预测( ...
台大李宏毅2017机器学习国语课程(更新)
台大李宏毅2017机器学习国语课程(更新) 本博客转载自:新浪微博爱可可-爱生活 [台大李宏毅2017机器学习国语课程(更新)]"Machine Learning (Hung-yi Lee, ...
李宏毅机器学习笔记六——Gradient Descent
视频来源: 李宏毅机器学习(2017)_哔哩哔哩 (゜-゜)つロ干杯~-bilibili https://www.bilibili.com/video/av10590361/?p=6 使用GD的注意 ...
宝可梦图片识别python_初探利用Python进行图文识别(OCR)
话说什么是OCR????? 简介 OCR技术是光学字符识别的缩写(Optical Character Recognition),是通过扫描等光学输入方式将各种票据.报刊.书籍.文稿及其它印刷品的文字转 ...
机器学习基础--梯度下降（Gradient Descent）
Gradient Descent Review 前面预测宝可梦cp值的例子里,已经初步介绍了Gradient Descent的用法: In step 3, we have to solve the ...
[机器学习] ML重要概念：梯度（Gradient）与梯度下降法（Gradient Descent）
本文转自:https://blog.csdn.net/walilk/article/details/50978864 引言机器学习栏目记录我在学习Machine Learning过程的一些心得笔记, ...
台大李宏毅Machine Learning 2017Fall学习笔记 (4)Gradient Descent
台大李宏毅Machine Learning 2017Fall学习笔记 (4)Gradient Descent 这节课首先回顾了利用梯度下降法优化目标函数的基本步骤,然后对梯度下降法的应用技巧和其背后的 ...
机器学习数学知识补习——梯度下降（Gradient Descent）
导数导数与微分: 图中的Δy.dy等符号的意义及关系如下: Δx:x的变化量: dx:x的变化量 Δ x Δx Δx趋于0时,则记作微元 d x dx dx: Δy: Δ y = f ( x 0 + ...
独家思维导图！让你秒懂李宏毅2020机器学习（一）—— Regression回归
独家思维导图!让你秒懂李宏毅2020机器学习(一)-- Regression回归前言:博主为一名大二本科生,最近决心开始看李宏毅的深度学习系列课程,每学一个阶段决定写篇博客来归纳记录一下所学的东西, ...

李宏毅2017机器学习homework1-利用gradient descent拟合宝可梦CP值代码并利用adagrad进行优化

李宏毅2017机器学习homework1-利用gradient descent拟合宝可梦CP值代码并利用adagrad进行优化相关推荐

最新文章

热门文章