什么是梯度

在了解梯度之前,我们先了解一下导数:

用于描述曲线变换快慢的一个量,在几何意义上表示为函数的斜率,数学定义为:

$$f^{\prime }(x)=\underset{△x\to 0}{\lim }\frac{f(x+△x)-f(x)}{△x}$$

• 当导数大于0时候,则单调递增,当导数小于0时候,则单调递减,所以,我们可以根据导数值,来求取函数的最值.

那如果是多元函数,我们怎么求最值呢?答案是分别对多元变量求取 偏导数,即对哪个变量求导,就把其余变量看做常数,以f(x,y)为例,数学定义对x和对y求偏导为:
$$\frac{\partial f}{\partial x}=\underset{△x\to 0}{\lim }\frac{f(x+△x,y)-f(x,y)}{△x}$$

---

$$\frac{\partial f}{\partial y}=\underset{△y\to 0}{\lim }\frac{f(x,y+△y)-f(x,y)}{△y}$$

而梯度就是我们的多元函数的偏导向量,梯度向量的方向是函数值变化率最大的方向, 简单理解就是对于函数某个特定点，它的梯度就表示从该点出发，函数值变化最迅猛的方向。:
$$\nabla f(x,y)=(\frac{\partial f}{\partial x},\frac{\partial f}{\partial x})$$
例如我们的

$$f(x,y)=x^2+y^2$$

则
$$\nabla f(x,y)=(\frac{\partial f}{\partial x},\frac{\partial f}{\partial x})=(2x,2y)$$

我们可以清晰的看到,在点(1, 1)位置，函数值为1^2 + 1^2=2。

如果按照向量(-1, 0)的方向移动一个1个单位，到达(0, 1), 函数值为0^2+1^2=1, 比f(1, 1) 减小1。

换另一 个方向，按照向量(1, 0)的方向移动1到达(2, 1) 函数值为2^2+1^2=5 比f(1, 1) 增加3.

但是按照梯度方向(2, 2) 移动1，大约到达(1.7, 1.7),函数值为1.7^2 + 1.7^2 = 5.78 比f(1, 1) 增加3.78。

所以按照梯度方向移动，函数增加最迅猛。

梯度下降算法(通过迭代解决目标函数最小值)

我们用一个例子进行引入该算法:

目前有一组关于房屋面积和价格关系的数据,我们想用该组数据的大致关系,制作一个数学模型,用于预测其余面积可能的价格.

根据图中点图,我们可能会容易想到用模型
$$y=wx+b$$
但是这样就有个问题了,k和b到底应该怎样设置呢?不同的k和b会有不一样的拟合效果:

根据肉眼,我们可能觉得第2,3,4幅图效果比较好,但是后面的三幅图又怎么比较呢?

我们这里采取真实值和模型的差值平方均值的和 最小 (一般是均方误差损失函数(MSE)来表示)表示:

其公式为:
$$\text{MSE}=\frac{1}{n}\sum _{i=1}^n({\hat{y}}_i-y_i{)}^2,其中n是样本数量,y_i是实际值,\widehat{y_i}是预测值$$
如果我们把y = kx +b带入公式MSE中,就会得到
$$j(w,b)=\frac{1}{n}\sum _{i=1}^n(w{x}_i+b-y_i{)}^2,x_i和y_i都是我们已知的样本实际值,可以当成常数$$
所以,很明显,只要我们使函数j(w,b)的值最小,那么就可以获取到最适合的预测模型,而这我们就可以使用梯度下降算法了

• 即分别对损失函数的自变量求偏导数
• 然后分别对参数利用数学公式更新到最合适的值(别问我公式怎么来的,网上有推导过程)
• 最后迭代好后的参数,就可以构成我们想要的最合适的模型 y = wx + b

以损失函数j(w,b)为例:

• 分别计算梯度(偏导数)为:

$$\frac{\partial j}{\partial w}=\frac{1}{n}\sum _{i=1}^{n}2(w{x}_i+b-y_i)\cdot x_i$$

$$\frac{\partial j}{\partial b}=\frac{1}{n}\sum _{i=1}^{n}2(w{x}_i+b-y_i)$$

• 然后分别对参数进行更新

$$w_{i+1}=w_i+(-a\frac{\partial j}{\partial w})=w_i-a\frac{\partial j}{\partial w}$$

$$b_{i+1}=b_i+(-a\frac{\partial j}{\partial b})=b_i-a\frac{\partial j}{\partial b}$$

这个a是学习率,也叫步进值,其值设置一般为0.1或者0.01,如下图:

• 我们对更新完毕后的最终参数带入模型就是我们要的最合适拟合线

$$y=w_{i}x+b_i$$

代码实现

就以上面那个例子为例,有一组类线性数据,请你利用 梯度下降算法 思想进行模拟得到合适线

import random
import numpy as np
from matplotlib import pyplot as plt# 1. 提供的真实的波动数据x和y集,可以理解为房屋面积和价格真实值
_x = [x/100 for x in range(100)]
_y = [4*x+5+random.random() for x in _x]# 2. 随机给定 y = wx+b 模型中的w 和 b一个初始值,以方便后续参数更新迭代到合适值
w = random.random()
b = random.random()for i in range(1000):for x, y in zip(_x, _y):# 3. 给定预测模型 h = w*x+bh = w * x + b# 4. 确定均方误差函数(损失函数)loss = (h - y) ** 2  # 本质是loss = (w*x+b - y)**2,我这里只是为了方便演示和计算,该函数简化了# 5. 对 w, b 求偏导,同时给定学习率(步长)dw = 2 * (h - y) * xdb = 2 * (h - y)learn_ratio = 0.1# 6. 参数迭代w = w - learn_ratio * dw  # 本质上是 w + -(learn_ratio*dw)b = b - learn_ratio * db# 然后把第三步到第六步代码 用准备的真实数据 去迭代更新修正(即放到for x,y in zip(_x,_y)循环# 由于物理限制,我们的预测模型是根据每一个真实点 顺序校验 一遍!!!! 得来的,这不够,所以我们在外面继续套个循环迭代校验1000次以上,这样更准确# 这里进行可视化一下,让我们更加直观理解回归
# 如果想看到动态模拟的过程,下面这些代码就全部和第二个for循环对齐,不过就可能有点浪费时间了
plt.ion()
plt.plot(_x,_y,'.')  # 真实值点图
plt.plot(_x,[w*ele+b for ele in _x])  # 绘制预测模型图
plt.pause(0.01)
plt.cla()  # 清屏
plt.show()

模拟效果(黄线是模型,点是真实值):

如果我们有时候不知道用什么模型去拟合散乱数据,可以用泰勒展开式(或者多项式)模型进行拟合,公式为:
$$f(x)=f(a)+f^{\prime }(a)(x-a)+\frac{f^{\prime \prime }(a)}{2!}(x-a{)}^2+\frac{f^{\prime \prime \prime }(a)}{3!}(x-a{)}^3+\dots ,(泰勒展开式)$$

$$f(x)=a_n{x}^n+a_{n-1}{x}^{n-1}+\dots +a_{1}x+a_0,(多项式)$$

其中常数和系数就是参数,可以自己任意选择参数数量

拓展:

给定一组真实数据:

_x = [ele / 100 for ele in range(100)]
_y = [3 * np.sin(5 * ele) + ele * 2 + 10 + random.random() for ele in _x]

请你利用多项式 梯度下降算法拟合

代码:

import random
import numpy as np
from matplotlib import pyplot as plt_x = [ele / 100 for ele in range(100)]
_y = [3 * np.sin(5 * ele) + ele * 2 + 10 + random.random() for ele in _x]# 设置初始参数
para_list = [random.random() for i in range(6)]   # 索引从0到5分别表示 从常数位c x  x^2 X^3 ..x^5的习俗for i in range(1000):for x, y in zip(_x, _y):# 设置模型h = para_list[1] * x + para_list[2] * (x ** 2) + para_list[3] * (x ** 3) + para_list[4] * (x ** 4) + para_list[5] * (x ** 5) + para_list[0]# 均方误差损失函数loss = (h - y) ** 2# 求参数梯度 和给定学习率grad_list = [2 * (h - y) * pow(x, i) for i in range(6)]learn_ratio = 0.1# 参数迭代更for i in range(6):para_list[i] -= learn_ratio * grad_list[i]
#图结果
plt.ion()
plt.plot(_x,_y,'.') 
# 根据参数不断调整的模型图
plt.plot(_x,[para_list[1]*x + para_list[2] * (x**2) + para_list[3] * (x ** 3) + para_list[4] * (x ** 4) + para_list[5] * (x ** 5) + para_list[0] for x in _x])
plt.pause(5)
plt.cla()

效果: