使用 Python 的 numpy 实现随机梯度下降

Stochastic gradient descent implementation with Python’s numpy

我必须使用 python numpy 库来实现随机梯度下降。为此，我给出了以下函数定义：

1
2
3
4
5
6

def compute_stoch_gradient(y, tx, w):
"""Compute a stochastic gradient for batch data."""

def stochastic_gradient_descent(
y, tx, initial_w, batch_size, max_epochs, gamma):
"""Stochastic gradient descent algorithm."""

我还获得了以下帮助功能：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

def batch_iter(y, tx, batch_size, num_batches=1, shuffle=True):
"""
Generate a minibatch iterator for a dataset.
Takes as input two iterables (here the output desired values ‘y’ and the input data ‘tx’)
Outputs an iterator which gives mini-batches of `batch_size` matching elements from `y` and `tx`.
Data can be randomly shuffled to avoid ordering in the original data messing with the randomness of the minibatches.
Example of use :
for minibatch_y, minibatch_tx in batch_iter(y, tx, 32):
<DO-SOMETHING>
"""
data_size = len(y)

if shuffle:
shuffle_indices = np.random.permutation(np.arange(data_size))
shuffled_y = y[shuffle_indices]
shuffled_tx = tx[shuffle_indices]
else:
shuffled_y = y
shuffled_tx = tx
for batch_num in range(num_batches):
start_index = batch_num * batch_size
end_index = min((batch_num + 1) * batch_size, data_size)
if start_index != end_index:
yield shuffled_y[start_index:end_index], shuffled_tx[start_index:end_index]

我实现了以下两个功能：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

def compute_stoch_gradient(y, tx, w):
"""Compute a stochastic gradient for batch data."""
e = y – tx.dot(w)
return (–1/y.shape[0])*tx.transpose().dot(e)

def stochastic_gradient_descent(y, tx, initial_w, batch_size, max_epochs, gamma):
"""Stochastic gradient descent algorithm."""
ws = [initial_w]
losses = []
w = initial_w
for n_iter in range(max_epochs):
for minibatch_y,minibatch_x in batch_iter(y,tx,batch_size):
w = ws[n_iter] – gamma * compute_stoch_gradient(minibatch_y,minibatch_x,ws[n_iter])
ws.append(np.copy(w))
loss = y – tx.dot(w)
losses.append(loss)

return losses, ws

我不确定迭代应该在 range(max_epochs) 还是更大的范围内完成。我这样说是因为我读到一个纪元是”每次我们遍历整个数据集”。所以我认为一个时代包含多个迭代……

在典型的实现中，批量大小为 B 的小批量梯度下降应该从数据集中随机选择 B 个数据点，并根据该子集上计算的梯度更新权重。这个过程本身将持续很多次，直到收敛或某个阈值最大迭代。 B=1 的 Mini-batch 是 SGD，有时会很吵。

除了上述评论之外，您可能还想尝试一下批量大小和学习率(步长)，因为它们对随机和小批量梯度下降的收敛速度有显着影响。

下图显示了在对亚马逊产品评论数据集进行情感分析时，这两个参数对 SGD 与 logistic regression 的收敛速度的影响，该作业出现在机器学习 – 分类的课程中华盛顿大学：

enter

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/tech/python/268034.html

使用 Python 的 numpy 实现随机梯度下降

Stochastic gradient descent implementation with Python’s numpy

相关推荐

发表回复