当前位置：首页 > news >正文

建一个快讯网站要多少钱/seo资讯推推蛙

news 2025/8/6 12:23:16

建一个快讯网站要多少钱,seo资讯推推蛙,成都网站建设培训学校,wordpress 字体插件1. AdaGrad AdaGrad算法是梯度下降法的改进算法，其优点是可以自适应学习率。该优化算法在较为平缓处学习速率大，有比较高的学习效率，在陡峭处学习率小，在一定程度上可以避免越过极小值点。在SDG优化算法中不能自适应学习率&#…

1. AdaGrad

AdaGrad算法是梯度下降法的改进算法，其优点是可以自适应学习率。该优化算法在较为平缓处学习速率大，有比较高的学习效率，在陡峭处学习率小，在一定程度上可以避免越过极小值点。在SDG优化算法中不能自适应学习率，如图1所示，在函数的初始位置比较平缓，利用AdaGrad优化算法可以很快的到达较优点，而SGD几乎没有移动。如图2所示，初始位置比较陡峭，AdaGrad优化算法会自动调整学习率，然后顺利的到达最优点，而SGD在学习率比较大的情况下会在斜坡两边来回摆动。AdaGrad的公式如下：
$σt=1t+1∑i=0t(gi)2\sigma^t=\sqrt{\frac{1}{t+1}\sum^{t}_{i = 0}{(g_i)^2}}$

$θt+1=θt−ησt+ψgt\theta^{t+1}=\theta^t-\frac{\eta}{\sigma^t+\psi}g^t$ 其中 $g_i$ 代表函数第 $i$ 次迭代的梯度， $σt\sigma^t$ 就是前面所有梯度的均值平方根。 $η\eta$ 是常数，一般取 $10^{-7}$ ,这是为了避免公式中分母为存在等于0的情况。 $η\eta$ 为常数，表示学习率。

演示代码见文章末尾附录部分

在这里插入图片描述

2. RMSProp

AdaGrad算法虽然解决了学习率无法根据当前梯度自动调整的问题，但是过于依赖之前的梯度，在梯度突然变化无法快速响应。RMSProp算法为了解决这一问题，在AdaGrad的基础上添加了衰减速率参数。也就是说在当前梯度与之前梯度之间添加了权重，如果当前梯度的权重较大，那么响应速度也就更快。RMSProp公式如下：
$σt=α(1t∑i=0t−1(gi)2)+(1−α)(gt)2\sigma_t=\sqrt{\alpha(\frac{1}{t}\sum^{t-1}_{i = 0}{(g_i)^2})+(1-\alpha)(g^t)^2}$
$θt+1=θt−ησt+ψgt\theta_{t+1}=\theta_t-\frac{\eta}{\sigma_t+\psi}g^t$ 公式中 $α\alpha$ 越大，那么受到之前梯度的影响就越大，AdaGrad算法和RMSProp算法比较如图3所示：

在这里插入图片描述

3. Adam

Adam优化算法是在RMSProp的基础上增加了动量。有时候通过RMSProp优化算法得到的值不是最优解，有可能是局部最优解，引入动量的概念时，求最小值就像一个球从高处落下，落到局部最低点时会继续向前探索，有可能得到更小的值，如下图4所示，Adam的公式如下：
$mt=β⋅mt−1+(1−β)gt−1m_t=\beta·m_{t-1}+(1-\beta)g^{t-1}$
$σt=α(1t∑i=0t−1(gi)2)+(1−α)(gt)2\sigma_t=\sqrt{\alpha(\frac{1}{t}\sum^{t-1}_{i = 0}{(g_i)^2})+(1-\alpha)(g^t)^2}$
$θt=θt−1+ησt+ψmt\theta_t=\theta_{t-1}+\frac{\eta}{\sigma_t+\psi}m_t$ 其中 $m_t$ 表示第t次迭代时的动量，同时在上一次动量和本次梯度之间加了一个权重系数 $β\beta$ ，当 $β\beta$ 越大，受到上一次动量的影响就越大。

torch.optim.Adam

Adam函数的常用参数如下：

params (iterable) – 需要优化的参数，参数类型为迭代器或字典。
lr (float, optional) – 学习率 (默认值: 1e-3)
betas (Tuple[float, float], optional) – 权重值，分别代表上面公式中的 $α\alpha$ 和 $β\beta$ (默认值: (0.9, 0.999))

在这里插入图片描述

参考文献

[1] 深度学习常见的优化算法
[2] Adam 算法
[3] torch 官方文档

附录

图1代码

import torch
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 初始化变量
adaGrad_x = torch.tensor(-10., requires_grad=True)
sgd_x = torch.tensor(-10., requires_grad=True)
adaGrad_optimizer = torch.optim.Adagrad([adaGrad_x], lr=1)
sgd_optimizer = torch.optim.SGD([sgd_x], lr=1)# 200次迭代优化
adaGrad_x_record, adaGrad_y_record = [], []
sgd_x_record, sgd_y_record = [], []
for i in range(200):# AdaGradadaGrad_y = 1/(1 + torch.exp(adaGrad_x))adaGrad_x_record.append(adaGrad_x.detach().item())adaGrad_y_record.append(adaGrad_y.detach().item())adaGrad_optimizer.zero_grad()adaGrad_y.backward()adaGrad_optimizer.step()# SGDsgd_y = 1/(1 + torch.exp(sgd_x))sgd_x_record.append(sgd_x.detach().item())sgd_y_record.append(sgd_y.detach().item())sgd_optimizer.zero_grad()sgd_y.backward()sgd_optimizer.step()# y = 1/(1+e^x)
a = torch.linspace(-10, 10, 1000)
b = 1/(1 + torch.exp(a))# 创建画布
plt.figure(figsize=(12, 4))# AdaGrad
plt.subplot(1, 2, 1)
plt.plot(a, b)
plt.scatter(adaGrad_x_record, adaGrad_y_record, c='r', alpha=0.5)
plt.title('AdaGrad')
plt.grid()
# SGD
plt.subplot(1, 2, 2)
plt.plot(a, b)
plt.scatter(sgd_x_record, sgd_y_record , c='r', alpha=0.5)
plt.title('SGD')
plt.grid()
# 显示图片
plt.suptitle('图1', y=0)
plt.show()

图2代码

import torch
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = FalseadaGrad_x = torch.tensor(-10., requires_grad=True)
sgd_x = torch.tensor(-10., requires_grad=True)
adaGrad_optimizer = torch.optim.Adagrad([adaGrad_x], lr=1)
sgd_optimizer = torch.optim.SGD([sgd_x], lr=1)# 100次迭代优化
adaGrad_x_record, adaGrad_y_record = [], []
sgd_x_record, sgd_y_record = [], []
for i in range(100):# AdaGradadaGrad_y = adaGrad_x ** 2adaGrad_x_record.append(adaGrad_x.detach().item())adaGrad_y_record.append(adaGrad_y.detach().item())adaGrad_optimizer.zero_grad()adaGrad_y.backward()adaGrad_optimizer.step()# SGDsgd_y = sgd_x ** 2sgd_x_record.append(sgd_x.detach().item())sgd_y_record.append(sgd_y.detach().item())sgd_optimizer.zero_grad()sgd_y.backward()sgd_optimizer.step()# y = x^2
a = torch.linspace(-10, 10, 1000)
b = a ** 2# 创建画布
plt.figure(figsize=(12, 4))# AdaGrad
plt.subplot(1, 2, 1)
plt.plot(a, b)
plt.scatter(adaGrad_x_record, adaGrad_y_record, c='r', alpha=0.5)
plt.title('AdaGrad')
plt.grid()
# SGD
plt.subplot(1, 2, 2)
plt.plot(a, b)
plt.scatter(sgd_x_record, sgd_y_record , c='r', alpha=0.5)
plt.title('SGD')
plt.grid()
# 显示图片
plt.suptitle('图2', y=0)
plt.show()

图3代码

import torch
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 初始化变量
adaGrad_x = torch.tensor(-20., requires_grad=True)
rmsProp_x = torch.tensor(-20., requires_grad=True)
adaGrad_optimizer = torch.optim.Adagrad([adaGrad_x], lr=1)
rmsProp_optimizer = torch.optim.RMSprop([rmsProp_x], lr=1)# 200次迭代优化
adaGrad_x_record, adaGrad_y_record = [], []
rmsProp_x_record, rmsProp_y_record = [], []
for i in range(200):# AdaGradadaGrad_y = 1/(1 + torch.exp(adaGrad_x))adaGrad_x_record.append(adaGrad_x.detach().item())adaGrad_y_record.append(adaGrad_y.detach().item())adaGrad_optimizer.zero_grad()adaGrad_y.backward()adaGrad_optimizer.step()# RMSProprmsProp_y = 1/(1 + torch.exp(rmsProp_x))rmsProp_x_record.append(rmsProp_x.detach().item())rmsProp_y_record.append(rmsProp_y.detach().item())rmsProp_optimizer.zero_grad()rmsProp_y.backward()rmsProp_optimizer.step()# y = 1/(1+e^x)
a = torch.linspace(-20, 20, 1000)
b = 1/(1 + torch.exp(a))# 创建画布
plt.figure(figsize=(12, 4))# AdaGrad
plt.subplot(1, 2, 1)
plt.plot(a, b)
plt.scatter(adaGrad_x_record, adaGrad_y_record, c='r', alpha=0.5)
plt.title('AdaGrad')
plt.grid()
# RMSProp
plt.subplot(1, 2, 2)
plt.plot(a, b)
plt.scatter(rmsProp_x_record, rmsProp_y_record , c='r', alpha=0.5)
plt.title('RMSProp')
plt.grid()
# 显示图片
plt.suptitle('图3', y=0)
plt.show()

图4代码

import torch
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 初始化变量
rmsProp_x = torch.tensor(-10., requires_grad=True)
adam_x = torch.tensor(-10., requires_grad=True)
rmsProp_optimizer = torch.optim.RMSprop([rmsProp_x], lr=1)
adam_optimizer = torch.optim.Adam([adam_x], lr=1, betas=(0.9, 0.61))# 40次迭代优化
rmsProp_x_record, rmsProp_y_record = [], []
adam_x_record, adam_y_record = [], []
for i in range(40):# RMSProprmsProp_y =  16 * rmsProp_x ** 2 - rmsProp_x ** 3rmsProp_x_record.append(rmsProp_x.detach().item())rmsProp_y_record.append(rmsProp_y.detach().item())rmsProp_optimizer.zero_grad()rmsProp_y.backward()rmsProp_optimizer.step()# Adamadam_y =  16 * adam_x ** 2 - adam_x ** 3adam_x_record.append(adam_x.detach().item())adam_y_record.append(adam_y.detach().item())adam_optimizer.zero_grad()adam_y.backward()adam_optimizer.step()# y = 16*x^2-x^3
a = torch.linspace(-10., 20., 1000)
b = 16 * a ** 2 - a ** 3# 创建画布
plt.figure(figsize=(12, 4))# RMSProp
plt.subplot(1, 2, 1)
plt.plot(a, b)
plt.scatter(rmsProp_x_record, rmsProp_y_record, c='r', alpha=0.5)
plt.title('RMSProp')
plt.grid()
# Adam
plt.subplot(1, 2, 2)
plt.plot(a, b)
plt.scatter(adam_x_record, adam_y_record , c='r', alpha=0.5)
plt.title('Adam')
plt.grid()
# 显示图片
plt.suptitle('图4', y=0)
plt.show()