用python實現梯度下降算法的方式是什么

用python實現梯度下降算法的方式是什么？這個問題可能是我們日常學習或工作經常見到的。希望通過這個問題能讓你收獲頗深。下面是小編給大家帶來的參考內容，讓我們一起來看看吧！

python版本選擇

這里選的python版本是2.7，因為我之前用python3試了幾次，發現在畫3d圖的時候會報錯，所以改用了2.7。

（推薦教程：Python入門教程）

數據集選擇

數據集我選了一個包含兩個變量，三個參數的數據集，這樣可以畫出3d圖形對結果進行驗證。

部分函數總結

symbols()函數：首先要安裝sympy庫才可以使用。用法：

>>> x1 = symbols('x2')
>>> x1 + 1
x2 + 1

在這個例子中，x1和x2是不一樣的，x2代表的是一個函數的變量，而x1代表的是python中的一個變量，它可以表示函數的變量，也可以表示其他的任何量，它替代x2進行函數的計算。實際使用的時候我們可以將x1,x2都命名為x，但是我們要知道他們倆的區別。
再看看這個例子：

>>> x = symbols('x')
>>> expr = x + 1
>>> x = 2
>>> print(expr)
x + 1

作為python變量的x被2這個數值覆蓋了，所以它現在不再表示函數變量x，而expr依然是函數變量x+1的別名，所以結果依然是x+1。
subs()函數：既然普通的方法無法為函數變量賦值，那就肯定有函數來實現這個功能，用法：

>>> (1 + x*y).subs(x, pi)#一個參數時的用法
pi*y + 1
>>> (1 + x*y).subs({x:pi, y:2})#多個參數時的用法
1 + 2*pi

diff()函數：求偏導數，用法：result=diff(fun,x)，這個就是求fun函數對x變量的偏導數，結果result也是一個變量，需要賦值才能得到準確結果。

代碼實現：

from __future__ import division
from sympy import symbols, diff, expand
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

data = {'x1': [100, 50, 100, 100, 50, 80, 75, 65, 90, 90],
        'x2': [4, 3, 4, 2, 2, 2, 3, 4, 3, 2],
        'y': [9.3, 4.8, 8.9, 6.5, 4.2, 6.2, 7.4, 6.0, 7.6, 6.1]}#初始化數據集
theta0, theta1, theta2 = symbols('theta0 theta1 theta2', real=True)  # y=theta0+theta1*x1+theta2*x2,定義參數
costfuc = 0 * theta0
for i in range(10):
    costfuc += (theta0 + theta1 * data['x1'][i] + theta2 * data['x2'][i] - data['y'][i]) ** 2
costfuc /= 20#初始化代價函數
dtheta0 = diff(costfuc, theta0)
dtheta1 = diff(costfuc, theta1)
dtheta2 = diff(costfuc, theta2)

rtheta0 = 1
rtheta1 = 1
rtheta2 = 1#為參數賦初始值

costvalue = costfuc.subs({theta0: rtheta0, theta1: rtheta1, theta2: rtheta2})
newcostvalue = 0#用cost的值的變化程度來判斷是否已經到最小值了
count = 0
alpha = 0.0001#設置學習率，一定要設置的比較小，否則無法到達最小值
while (costvalue - newcostvalue > 0.00001 or newcostvalue - costvalue > 0.00001) and count < 1000:
    count += 1
    costvalue = newcostvalue
    rtheta0 = rtheta0 - alpha * dtheta0.subs({theta0: rtheta0, theta1: rtheta1, theta2: rtheta2})
    rtheta1 = rtheta1 - alpha * dtheta1.subs({theta0: rtheta0, theta1: rtheta1, theta2: rtheta2})
    rtheta2 = rtheta2 - alpha * dtheta2.subs({theta0: rtheta0, theta1: rtheta1, theta2: rtheta2})
    newcostvalue = costfuc.subs({theta0: rtheta0, theta1: rtheta1, theta2: rtheta2})
rtheta0 = round(rtheta0, 4)
rtheta1 = round(rtheta1, 4)
rtheta2 = round(rtheta2, 4)#給結果保留4位小數，防止數值溢出
print(rtheta0, rtheta1, rtheta2)

fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(data['x1'], data['x2'], data['y'])  # 繪制散點圖
xx = np.arange(20, 100, 1)
yy = np.arange(1, 5, 0.05)
X, Y = np.meshgrid(xx, yy)
Z = X * rtheta1 + Y * rtheta2 + rtheta0
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))

plt.show()#繪制3d圖進行驗證

結果：

感謝各位的閱讀！看完上述內容，你們對用python實現梯度下降算法的方式是什么大概了解了嗎？希望文章內容對大家有所幫助。如果想了解更多相關文章內容，歡迎關注億速云行業資訊頻道。