TensorFlow — Оптимизация градиентного спуска
(1 оценок, среднее: 5,00 из 5)
Загрузка... 07.09.2019
Оптимизация градиентного спуска считается важной концепцией в науке о данных.
Рассмотрим шаги, показанные ниже, чтобы понять реализацию оптимизации градиентного спуска:
Шаг 1
Включите необходимые модули и объявление переменных x и y, с помощью которых мы собираемся определить оптимизацию градиентного спуска.
import tensorflow as tf x = tf.Variable(2, name = 'x', dtype = tf.float32) log_x = tf.log(x) log_x_squared = tf.square(log_x) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(log_x_squared)
Шаг 2
Инициализируйте необходимые переменные и вызовите оптимизаторы для определения и вызова их с соответствующей функцией.
init = tf.initialize_all_variables()
def optimize():
with tf.Session() as session:
session.run(init)
print("starting at", "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))
for step in range(10):
session.run(train)
print("step", step, "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))
optimize()
Выше строка кода генерирует вывод, как показано на скриншоте ниже:
Мы видим, что необходимые эпохи и итерации рассчитываются, как показано в выходных данных.
