python實現(xiàn)隨機(jī)梯度下降（SGD）

更新時間：2020年03月24日 11:51:45 作者：芳草碧連天lc

這篇文章主要為大家詳細(xì)介紹了python實現(xiàn)隨機(jī)梯度下降SGD，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練，要實現(xiàn)隨機(jī)梯度下降算法。這里我根據(jù)麥子學(xué)院彭亮老師的講解，總結(jié)如下，（神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)在另一篇博客中已經(jīng)定義）：

def SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None):
 if test_data:
  n_test = len(test_data)#有多少個測試集
  n = len(training_data)
  for j in xrange(epochs):
   random.shuffle(training_data)
   mini_batches = [
    training_data[k:k+mini_batch_size] 
    for k in xrange(0,n,mini_batch_size)]
   for mini_batch in mini_batches:
    self.update_mini_batch(mini_batch, eta)
   if test_data:
    print "Epoch {0}: {1}/{2}".format(j, self.evaluate(test_data),n_test)
   else:
    print "Epoch {0} complete".format(j)

其中training_data是訓(xùn)練集，是由很多的tuples（元組）組成。每一個元組（x，y）代表一個實例，x是圖像的向量表示，y是圖像的類別。
epochs表示訓(xùn)練多少輪。
mini_batch_size表示每一次訓(xùn)練的實例個數(shù)。
eta表示學(xué)習(xí)率。
test_data表示測試集。
比較重要的函數(shù)是self.update_mini_batch，他是更新權(quán)重和偏置的關(guān)鍵函數(shù)，接下來就定義這個函數(shù)。

def update_mini_batch(self, mini_batch,eta): 
 nabla_b = [np.zeros(b.shape) for b in self.biases]
 nabla_w = [np.zeros(w.shape) for w in self.weights]
 for x,y in mini_batch:
  delta_nabla_b, delta_nable_w = self.backprop(x,y)#目標(biāo)函數(shù)對b和w的偏導(dǎo)數(shù)
  nabla_b = [nb+dnb for nb,dnb in zip(nabla_b,delta_nabla_b)]
  nabla_w = [nw+dnw for nw,dnw in zip(nabla_w,delta_nabla_w)]#累加b和w
 #最終更新權(quán)重為
 self.weights = [w-(eta/len(mini_batch))*nw for w, nw in zip(self.weights, nabla_w)]
 self.baises = [b-(eta/len(mini_batch))*nb for b, nb in zip(self.baises, nabla_b)]

這個update_mini_batch函數(shù)根據(jù)你傳入的一些數(shù)據(jù)進(jìn)行更新神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: