深度學習筆記（四）梯度下降法與區域性最優解

在深度學習過程中，避免不了使用梯度下降演算法。但是對於「非凸問題」，訓練得到的結果往往可能陷入區域性極小值，而非全域性最優解。那麼這裡就以himmelblau 函式為例，**待優化引數的初始值對梯度下降方向的影響，從而得到不同的區域性極小值。

首先介紹一下himmelblau 函式：

下圖為 himmelblau 函式的等高線，大致可以看出，它共有 4 個區域性極小值點，並且區域性極小值都是 0，所以這 4 個區域性極小值也是全域性最小值。我們可以通過解析的方法計算出區域性極小值座標，他們分別是(3,2), (−2 805,3 131), (−3 779,−3 283), (3 584,−1 848)。

在已經知道極小值解的情況下，我們現在來用梯度下降演算法來優化 himmelblau 函式的數值極小值解。

程式清單：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
defhimmelblau
(x):
return
(x[0]**
2+ x[1]
-11)**
2+(x[0
]+ x[1]
**2-7
)**2x = np.arange(-6
,6,0.1
)y = np.arange(-6
,6,0.1
)print
('x,y range:'
, x.shape, y.shape)
x, y = np.meshgrid(x, y)
# 生成x-y平面網格點，方便視覺化
print
('x,y maps:'
, x.shape, y.shape)
z = himmelblau(
[x, y]
)# 呼叫函式，計算函式值
fig = plt.figure(
'himmelblau'
)ax = fig.gca(projection=
'3d'
)ax.plot_su***ce(x, y, z)
# 繪製3d圖形
ax.view_init(60,
-30)ax.set_xlabel(
'x')
ax.set_ylabel(
'y')
ax.set_ylabel(
'z')
plt.show(
)x = tf.constant([4
.,0.
])# 初始化引數（下面的實驗只需要改這一行的引數）
for step in
range
(200):
with tf.gradienttape(
)as tape:
# 梯度跟蹤
tape.watch(
[x])
# 加入梯度跟蹤列表
y = himmelblau(x)
# 向前傳播
grads = tape.gradient(y,
[x])[0
]# 梯度計算
x -=
0.01
*grads # 梯度下降
if step %
20==19:
print
('step{}: x,y={}; h(x,y)={}'
.format
(step, x.numpy(
), y.numpy())
)

在上面**中，我們只需要改初始化引數，來看看對最終結果的影響

（1）第一次，選取初始點為（4，0），經過200輪迭代訓練後，得到的極小值處為：（3.584，-1.848），極小值接近0。訓練結果如下：

（2）第二次，選取初始點（1，0），訓練結果如下：

（3）第三次，選取初始點（-4，0），訓練結果如下：

（4）第四次，選取初始點（-2，2），訓練結果如下：

統計上面的四次實驗得到的數值結果，與我們通過筆算得到的解析解進行比較，如下表：

可得出如下結論：

（1）通過梯度下降法訓練得到的數值最優解（極小值），幾乎等於解析解。

（2）當對待優化引數x初始化為不同的值時，最後對應的最優解（極小值）處也不相同。

這表明：通過梯度下降演算法迭代得到的最優解（區域性極小值）位置與待優化引數的初始值密切相關

深度學習筆記（四）梯度下降法與區域性最優解

深度學習（七）梯度下降法

機器學習演算法（四）梯度下降法

機器學習（三）梯度下降法

深度學習筆記（四） 梯度下降法與區域性最優解

深度學習（七）梯度下降法

機器學習演算法（四） 梯度下降法

機器學習（三） 梯度下降法

相關推薦

深度學習筆記（四）梯度下降法與區域性最優解

機器學習演算法（四）梯度下降法

機器學習（三）梯度下降法