这篇文章主要介绍Python中用numpy解决梯度下降最小值的方法，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
问题描述：求解y1 = xx -2 x +3 + 0.01*(-1到1的随机值) 与 y2 = 0 的最小距离点（x,y）
给定x范围（0，3）
不使用学习框架，手动编写梯度下降公式求解，提示：x = x - alp*(y1-y2)导数（alp为学习率）
函数图像为：
代码内容：
计算
安全
数据库
网络和加速
企业服务
import numpy as np
import matplotlib.pyplot as plt
def get_loss(x):
c,r = x.shape
loss = (x**2 - 2*x + 3) + (0.01*(2*np.random.rand(c,r)-1))
return(loss)
x = np.arange(0,3,0.01).reshape(-1,1)
"""plt.title("loss")
plt.plot(get_loss(np.array(x)))
plt.show()"""
def get_grad(x):
grad = 2 * x -2
return(grad)
np.random.seed(31415)
x_ = np.random.rand(1)*3
x_s = []
alp = 0.001
print("X0",x_)
for e in range(2000):
x_ = x_ - alp*(get_grad(x_))
x_s.append(x_)
if(e%100 == 0):
print(e,"steps,x_ = ",x_)
plt.title("loss")
plt.plot(get_loss(np.array(x_s)))
plt.show()运行结果：
X0 [1.93745582]
0 steps,x_ = [1.93558091]
100 steps,x_ = [1.76583547]
200 steps,x_ = [1.6268875]
300 steps,x_ = [1.51314929]
400 steps,x_ = [1.42004698]
500 steps,x_ = [1.34383651]
600 steps,x_ = [1.28145316]
700 steps,x_ = [1.23038821]
800 steps,x_ = [1.18858814]
900 steps,x_ = [1.15437199]
1000 steps,x_ = [1.12636379]
1100 steps,x_ = [1.1034372]
1200 steps,x_ = [1.08467026]
1300 steps,x_ = [1.06930826]
1400 steps,x_ = [1.05673344]
1500 steps,x_ = [1.04644011]
1600 steps,x_ = [1.03801434]
1700 steps,x_ = [1.03111727]
1800 steps,x_ = [1.02547157]
1900 steps,x_ = [1.02085018]图片
以上是Python中用numpy解决梯度下降最小值的方法的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
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。
原文链接：https://www.py.cn/jishu/jichu/20426.html
