SGD
- using System;
- using System.Collections.Generic;
- using System.Linq;
- using System.Text;
- using System.Threading.Tasks;
- namespace ConsoleApp4
- {
- class Program
- {
- static void Main(string[] args)
- {
- List<float[]> inputs_x = new List<float[]>();
- inputs_x.Add( new float[] { 0.9f, 0.6f});
- inputs_x.Add(new float[] { 2f, 2.5f } );
- inputs_x.Add(new float[] { 2.6f, 2.3f });
- inputs_x.Add(new float[] { 2.7f, 1.9f });
- List<float> inputs_y = new List<float>();
- inputs_y.Add( 2.5f);
- inputs_y.Add( 2.5f);
- inputs_y.Add( 3.5f);
- inputs_y.Add( 4.2f);
- float[] weights = new float[3];
- for (var i= 0;i < weights.Length;i++)
- weights[i] = (float)new Random().NextDouble();
- int epoch = 30000;
- float epsilon =0.00001f;
- float lr = 0.01f;
- float lastCost=0;
- for (var epoch_i = 0; epoch_i <= epoch; epoch_i++)
- {
- //随机获取input
- var batch = GetRandomBatch(inputs_x, inputs_y, 2);
- float[] weights_in_poch = new float[weights.Length];
- foreach (var x_y in batch)
- {
- var x1 = x_y.Item1.First();
- var x2 = x_y.Item1.Skip(1).Take(1).First();
- var target_y = x_y.Item2;
- float diffWithTargetY = target_y - fun(x1, x2, weights[1], weights[2], weights[0]);
- weights_in_poch[0] += diffWithTargetY * dy_b(x1, x2);
- weights_in_poch[1] += diffWithTargetY * dy_theta1(x1, x2);
- weights_in_poch[2] += diffWithTargetY * dy_theta2(x1, x2);
- }
- for(var i=0;i<weights.Length;i++)
- weights[i] += lr * weights_in_poch[i];
- float totalErrorCost = 0f;
- foreach (var x_y in batch)
- {
- var x1 = x_y.Item1.First();
- var x2 = x_y.Item1.Skip(1).Take(1).First();
- var target_y = x_y.Item2;
- float diffWithTargetY = target_y - fun(x1, x2, weights[1], weights[2], weights[0]);
- totalErrorCost += (float)System.Math.Pow(diffWithTargetY, 2)/2;
- }
- float cost = totalErrorCost / batch.Count;
- if (System.Math.Abs(cost - lastCost) <= epsilon)
- {
- Console.WriteLine(string.Format("EPOCH {0}", epoch_i));
- Console.WriteLine(string.Format("LAST MSE {0}", lastCost));
- Console.WriteLine(string.Format("MSE {0}", cost));
- break;
- }
- lastCost = cost;
- if (epoch_i % 100 == 0|| epoch_i==epoch)
- {
- Console.WriteLine(string.Format("MSE {0}", cost));
- }
- }
- print(weights[1], weights[2], weights[0]);
- Console.ReadLine();
- }
- private static List<Tuple<float[], float>> GetRandomBatch(List<float[]> inputs_x, List<float> inputs_y, int maxCount)
- {
- List<Tuple<float[], float>> lst = new List<Tuple<float[], float>>();
- System.Random rnd = new Random((int)DateTime.Now.Ticks);
- int count = 0;
- while (count<maxCount)
- {
- int rndIndex = rnd.Next(inputs_x.Count);
- var item=Tuple.Create<float[], float>(inputs_x[rndIndex], inputs_y[rndIndex]);
- lst.Add(item);
- count++;
- }
- return lst;
- }
- private static void print(float theta1, float theta2, float b)
- {
- Console.WriteLine(string.Format("y={0}*x1+{1}*x2+{2}", theta1, theta2, b));
- }
- private static float fun(float x1, float x2, float theta1, float theta2, float b)
- {
- return theta1 * x1 + theta2 * x2 + b;
- }
- private static float dy_theta1(float x1, float x2)
- {
- return x1;
- }
- private static float dy_theta2(float x1, float x2)
- {
- return x2;
- }
- private static float dy_b(float x1, float x2)
- {
- return 1;
- }
- }
- }
SGD的更多相关文章
- [Machine Learning] 梯度下降法的三种形式BGD、SGD以及MBGD
在应用机器学习算法时,我们通常采用梯度下降法来对采用的算法进行训练.其实,常用的梯度下降法还具体包含有三种不同的形式,它们也各自有着不同的优缺点. 下面我们以线性回归算法来对三种梯度下降法进行比较. ...
- 为什么是梯度下降?SGD
在机器学习算法中,为了优化损失函数loss function ,我们往往采用梯度下降算法来进行优化.举个例子: 线性SVM的得分函数和损失函数分别为: ...
- 【原创】batch-GD, SGD, Mini-batch-GD, Stochastic GD, Online-GD -- 大数据背景下的梯度训练算法
机器学习中梯度下降(Gradient Descent, GD)算法只需要计算损失函数的一阶导数,计算代价小,非常适合训练数据非常大的应用. 梯度下降法的物理意义很好理解,就是沿着当前点的梯度方向进行线 ...
- 逻辑回归:使用SGD(Stochastic Gradient Descent)进行大规模机器学习
Mahout学习算法训练模型 mahout提供了许多分类算法,但许多被设计来处理非常大的数据集,因此可能会有点麻烦.另一方面,有些很容易上手,因为,虽然依然可扩展性,它们具有低开销小的数据集.这样一个 ...
- [Machine Learning] 梯度下降(BGD)、随机梯度下降(SGD)、Mini-batch Gradient Descent、带Mini-batch的SGD
一.回归函数及目标函数 以均方误差作为目标函数(损失函数),目的是使其值最小化,用于优化上式. 二.优化方式(Gradient Descent) 1.最速梯度下降法 也叫批量梯度下降法Batch Gr ...
- 监督学习:随机梯度下降算法(sgd)和批梯度下降算法(bgd)
线性回归 首先要明白什么是回归.回归的目的是通过几个已知数据来预测另一个数值型数据的目标值. 假设特征和结果满足线性关系,即满足一个计算公式h(x),这个公式的自变量就是已知的数据x,函数值h(x)就 ...
- tensorflow实现最基本的神经网络 + 对比GD、SGD、batch-GD的训练方法
参考博客:https://zhuanlan.zhihu.com/p/27853521 该代码默认是梯度下降法,可自行从注释中选择其他训练方法 在异或问题上,由于训练的样本数较少,神经网络简单,训练结果 ...
- 深度学习——优化器算法Optimizer详解(BGD、SGD、MBGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam)
在机器学习.深度学习中使用的优化算法除了常见的梯度下降,还有 Adadelta,Adagrad,RMSProp 等几种优化器,都是什么呢,又该怎么选择呢? 在 Sebastian Ruder 的这篇论 ...
- 【深度学习】深入理解优化器Optimizer算法(BGD、SGD、MBGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam)
在机器学习.深度学习中使用的优化算法除了常见的梯度下降,还有 Adadelta,Adagrad,RMSProp 等几种优化器,都是什么呢,又该怎么选择呢? 在 Sebastian Ruder 的这篇论 ...
- 【DeepLearning】优化算法:SGD、GD、mini-batch GD、Moment、RMSprob、Adam
优化算法 1 GD/SGD/mini-batch GD GD:Gradient Descent,就是传统意义上的梯度下降,也叫batch GD. SGD:随机梯度下降.一次只随机选择一个样本进行训练和 ...
随机推荐
- 记录一下通过分析Tomcat内部jar包找出request.getReader()所用的字符编码在哪里设置和起效的完整分析流程
前言: 之前写Java服务端处理POST请求时遇到了请求体转换成字符流所用编码来源的疑惑,在doPost方法里通过request.getReader()获取的BufferedReader对象内部的 R ...
- Java 浏览器兼容模式
现在设计的东西,很多浏览器不兼容.下面贴出代码.测试在360和IE浏览器下,可以兼容的 <!doctype html><html><head> <met ...
- ionic开发遇到的坑及总结
前言 ionic是一个用来开发混合手机应用的,开源的,免费的代码库.可以优化html.css和js的性能,构建高效的应用程序,而且还可以用于构建Sass和AngularJS的优化.ionic会是一个可 ...
- FreeMarker 快速入门
FreeMarker 快速入门 FreeMarker是一个很值得去学习的模版引擎.它是基于模板文件生成其他文本的通用工具.本章内容通过如何使用FreeMarker生成Html web 页面 和 代码自 ...
- Net Core下多种ORM框架特性及性能对比
在.NET Framework下有许多ORM框架,最著名的无外乎是Entity Framework,它拥有悠久的历史以及便捷的语法,在占有率上一路领先.但随着Dapper的出现,它的地位受到了威胁,本 ...
- Java面向对象编程基础
一.Java面向对象编程基础 1.什么是对象?Object 什么都是对象! 只要是客观存在的具体事物,都是对象(汽车.小强.事件.任务.按钮.字体) 2.为什么需要面向对象? 面向对象能够像分析现实生 ...
- 基于文本图形(ncurses)的文本搜索工具 ncgrep
背景 作为一个VIM党,日常工作开发中,会经常利用grep进行关键词搜索,以快速定位到文件.如图: 利用grep进行文本搜索 但是,这一过程会有两个效率问题: 展示的结果无法进行直接交互,需要手动粘贴 ...
- hashlib,configparser,logging,模块
一,hashlib模块 算法介绍 Python的hashlib提供了常见的摘要算法,如MD5,SHA1等等. 什么是摘要算法呢?摘要算法又称哈希算法.散列算法.它通过一个函数,把任意长度的数据转换为一 ...
- Python 串口通信操作
下载 pyserial包 https://pypi.python.org/packages/source/p/pyserial/pyserial-2.7.tar.gz#md5=794506184df ...
- 51Nod--1006 lcs
1006 最长公共子序列Lcs 基准时间限制:1 秒 空间限制:131072 KB 分值: 0 难度:基础题 收藏 关注 给出两个字符串A B,求A与B的最长公共子序列(子序列不要求是连续的). ...