圖解深度學(xué)習(xí)-梯度下降學(xué)習(xí)率可視化

• 梯度下降學(xué)習(xí)率問題

梯度下降學(xué)習(xí)率問題

用最簡單的SGD做實(shí)驗(yàn)，討論學(xué)習(xí)率問題。

學(xué)習(xí)率如果太小，則會(huì)下降很慢，需要很多次迭代，如果太大，就會(huì)出現(xiàn)發(fā)散，具體可以動(dòng)手調(diào)試，也可以看截圖。

這里我選取的代價(jià)函數(shù)$J(x)=0.5(x?1{)}^2+0.5$，求導(dǎo)方便。

import numpy as np import matplotlib.pyplot as plt from ipywidgets import *#梯度函數(shù)的導(dǎo)數(shù) def gradJ(theta):return theta-1#梯度函數(shù) def J(theta):return 0.5*(theta-1)**2+0.5def train(lr,epoch,theta):thetas = []for i in range(epoch):gredient = gradJ(theta)theta = theta - lr*gredientthetas.append(theta)plt.figure(figsize=(10,10))x = np.linspace(-1,3,100)plt.plot(x, J(x))plt.plot(np.array(thetas),J(np.array(thetas)),color='r',marker='o')plt.plot(1.0, 0.5, 'r*',ms=15)plt.text(1.0, 0.55, 'min', color='k')plt.text(thetas[0]+0.1, J(thetas[0]), 'start', color='k')plt.text(thetas[-1]+0.1, J(thetas[-1])-0.05, 'end', color='k')plt.xlabel('theta')plt.ylabel('loss')plt.show()print('theta:',theta)print('loss:',J(theta))#可以隨時(shí)調(diào)節(jié)，查看效果 (最小值，最大值，步長) @interact(lr=(0, 5, 0.001),epoch=(1,100,1),init_theta=(-1,3,0.1),continuous_update=False) def visualize_gradient_descent(lr=0.05,epoch=10,init_theta=-1):train(lr,epoch,init_theta) 學(xué)習(xí)率:0.05 迭代次數(shù):10 參數(shù)初始化:-1 10次迭代還沒到最小值

學(xué)習(xí)率:0.33 迭代次數(shù):10 參數(shù)初始化:-1 10次迭代接近收斂了，可見加大學(xué)習(xí)率可以加快訓(xùn)練

學(xué)習(xí)率:1.87 迭代次數(shù):10 參數(shù)初始化:-1 軌跡開始波動(dòng)了，梯度方向不停的在變，最后還沒到收斂。解釋下梯度方向?yàn)槭裁撮_始變了，根據(jù)公式theta= theta- lr*gredient， 可以看到開始theta大致為2.7，梯度為正數(shù)大致為2，然后學(xué)習(xí)率又1.87 ， theta=2.7 - 2 x 1.87<0 即theta變?yōu)樨?fù)數(shù)了，所有到曲線右邊了， 同理繼續(xù)更新，此時(shí)梯度為負(fù)數(shù)了，減去一個(gè)負(fù)數(shù)等于加上正數(shù)，theta變?yōu)檎龜?shù)， 所以又到曲線右邊，如此循環(huán)，直到最低點(diǎn)。 如此一來，來回波動(dòng)很多次，所以收斂速度變慢了。我們當(dāng)然希望它跟上面一樣是從一個(gè)方向一直下降。

學(xué)習(xí)率:2.18 迭代次數(shù):10 參數(shù)初始化:-1 繼續(xù)加到學(xué)習(xí)率，直到變得不收斂，我把坐標(biāo)范圍拉大了，看了清楚，已經(jīng)開始發(fā)散了。原因是因?yàn)?#xff0c;學(xué)習(xí)率過大，使得更新后的theta無論正負(fù)，絕對值會(huì)越來越大，會(huì)開始往上跑，再加上越上面的梯度絕對值越來越大，所以每次更新完之后theta的絕對值繼續(xù)變大，就無限循環(huán)了，不收斂了。具體可見下圖。

把一些參數(shù)打出來了，可以看到，負(fù)值和正值絕對值都在變大，因?yàn)榈蟪霈F(xiàn)折線發(fā)散。

修改后的jupyter的文件鏈接

好了，今天就到這里了，希望對學(xué)習(xí)理解有幫助，大神看見勿噴，僅為自己的學(xué)習(xí)理解，能力有限，請多包涵。

總結(jié)

以上是生活随笔為你收集整理的图解深度学习-梯度下降学习率可视化的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。