PyTorch【6】-线性回归_SGD_动量梯度下降

本篇是一个练手项目，目的在于：

1. 熟悉 pytorch

2. 实现 SGD 与 动量梯度下降，并对比收敛性

 

本教程环境 pytorch 1.3以上

手动实现线性回归模型，一个很简单的模型，不多介绍，直接上代码

import torch as t
import matplotlib.pylab as plt

### 制造数据
def make_data():
    # y = 2x+3
    x = t.rand(1, 10) * 20
    y = x * 2 + 3 + t.randn(1, 10)
    return x, y

### 初始化参数
t.manual_seed(10000)    ### 随机种子
w = t.rand(1, 1)
b = t.rand(1, 1)

### 动量梯度的初始值
w0 = 0
b0 = 0

lr = 0.001
loss_record = []
for i in range(10000):
    x_t, y_t = make_data()
    y_p = t.matmul(w, x_t) + b

    loss = t.pow(y_p - y_t, 2) * 0.5
    loss = t.mean(loss)         ### 可 sum 可 mean，一般和 下面的 grad_b 对应
    loss_record.append(loss)

    ### 手动求导，计算梯度
    ## 注意这里对 （yp-yt）^2 求导，是 （yp-yt）x，如果是对 （yt-yp）^2 求导，是 -（yt-yp）x
    grad_w = t.matmul(y_p - y_t, x_t.t())       ### t() 转置
    grad_b = t.mean(y_p - y_t)

    ### SGD 参数更新
    # w -= lr * grad_w
    # b -= lr * grad_b

    ### 动量梯度下降的参数更新,收敛效果比 SGD 好很多
    grad_w_new = 0.8 * w0 + grad_w
    w.sub_(lr * grad_w)
    w0 = grad_w     ### 记住本次梯度，作为下次的 w0，这里只是记了上次，可以自己设定计前几次，或者计之前全部
    grad_b_new = 0.8 * b0 + grad_b
    b.sub_(lr * grad_b_new)
    b0 = grad_b


print(w, b)
plt.plot(loss_record)
plt.show()

 

下面我把学习率变得很低，并且把 动量梯度下降中 的只记录上次 梯度改为 记录之前全部梯度

lr = 0.0000001

grad_w = 0.9 * w0 + grad_w
w.sub_(lr * grad_w)
w0 = grad_w     ### 计之前全部
grad_b = 0.9 * b0 + grad_b
b.sub_(lr * grad_b)
b0 = grad_b

其他不变，对比下 SGD 与动量梯度的收敛性

左边 SGD， 右边 动量梯度下降