3-随机梯度下降

随机梯度下降可以跨越鞍点
对每一个样本的梯度进行更新

点击查看代码

import numpy as np
import matplotlib.pyplot as plt

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

w = 1.0

def forward(x):
    return x * w

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

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

for epoch in range(100):
    for x, y in zip(x_data, y_data):
        grad = gradient(x, y)
        w = w - 0.01*grad
        l = loss(x, y)

    print('epoch:', epoch, 'loss:', l, 'grad:', grad)

注意随机梯度下降w的更新是不可以并行的，所以运算性能不是很高

为了平衡随机梯度下降和梯度下降算法各自的缺点，我们可以使用批量梯度下降算法