您好,登录后才能下订单哦!
这篇文章主要介绍了Pytorch梯度下降优化的示例分析,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。
函数图像以及表达式如下:
通过该函数,可以将输入的负无穷到正无穷的输入压缩到0-1之间。在x=0的时候,输出0.5
通过PyTorch实现方式如下:
在RNN中比较常用,由sigmoid函数变化而来。表达式以及图像如下图所示:
该函数的取值是-1到1,导数是:1-Tanh**2。
通过PyTorch的实现方式如下:
该函数可以将输入小于0的值截断为0,大于0的值保持不变。因此在小于0的地方导数为0,大于0的地方导数为1,因此求导计算非常方便。
通过PyTorch的实现方式如下:
通常,我们使用mean squared error也就是均方误差来作为损失函数。
torch.autograd.grad(loss, [w1,w2,...])
输入的第一个是损失函数,第二个是参数的列表,即使只有一个,也需要加上中括号。
我们可以直接通过mse_loss的方法,来直接创建损失函数。
在torch.autograd.grad中输入损失函数mse,以及希望求导的对象[w],可以直接求导。
注意:我们需要在创建w的时候,需要添加requires_grad=True,我们才能对它求导。
也可以通过w.requires_grad_()的方法,为其添加可以求导的属性。
该方法是直接在损失函数上面调用的
这个方法不会返回梯度信息,而是将梯度信息保存到了参数中,直接用w.grad就可以查看。
该函数将差距较大的输入,转换成处于0-1之间的概率,并且所有概率和为1。
对softmax函数的求导:
设输入是a,通过了softmax输出的是p
注意:当i=j时,偏导是正的,i != j时,偏导是负的。
通过PyTorch实现方式如下:
单层感知机其实就是只有一个节点,数据*权重,输入这个节点,经过sigmoid函数转换,得到输出值。根据链式法则可以求得梯度。
通过PyTorch可以轻松实现函数转换以及求导。
输出值变多了,因此节点变多了。但求导方式其实是一样的。
通过PyTorch实现求导的方式如下:
中间加了隐藏层,只是调节了输出节点的输入内容。原本是数据直接输给输出节点,现在是中间层的输出作为输入,给了输出节点。使用PyTorch实现方式如下:
依旧是通过链式法则,每一个结点的输出sigmoid(x)都是下一个结点的输入,因此我们通过前向传播得到每一个结点的sigmoid函数,以及最终的输出结果,算出损失函数后,即可通过后向传播依次推算出每一个结点每一个参数的梯度。
下面的DELTA(k)只是将一部分内容统一写作一个字母来表示,具体推导不再详述。
通过以下函数进行优化。
优化流程:初始化参数→前向传播算出预测值→得到损失函数→反向传播得到梯度→对参数更新→再次前向传播→......
在此案例中,优化流程有一些不同:
优化之前先选择优化器,并直接把参数,以及梯度输入进去。
①pred = f(x)根据函数给出预测值,用以后面计算梯度。
②optimizer.zero_grad()梯度归零。因为反向传播之后,梯度会自动带到参数上去(上面有展示,可以调用查看)。
③pred.backward()用预测值计算梯度。
④pred.step()更新参数。
以上步骤循环即可。
感谢你能够认真阅读完这篇文章,希望小编分享的“Pytorch梯度下降优化的示例分析”这篇文章对大家有帮助,同时也希望大家多多支持亿速云,关注亿速云行业资讯频道,更多相关知识等着你来学习!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。