Otimizações

Introdução ao TensorFlow em Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Como encontrar um mínimo

A imagem mostra o Grand Canyon.

¹ Fonte: U.S. National Park Service

Como encontrar um mínimo

A imagem mostra o Grand Canyon.

¹ Fonte: U.S. National Park Service

Como encontrar um mínimo

A imagem mostra o Grand Canyon.

¹ Fonte: U.S. National Park Service

A figura mostra o caminho de aprendizado dos otimizadores SGD, RMSprop e Adam para um problema simples.

O otimizador gradient descent

Otimizador Stochastic Gradient Descent (SGD)
- tf.keras.optimizers.SGD()
- learning_rate
Simples e fácil de interpretar

O otimizador RMSprop

Otimizador Root Mean Squared (RMS) propagation
- Aplica taxas de aprendizado diferentes a cada feature
- tf.keras.optimizers.RMSprop()
- learning_rate
- momentum
- decay
Permite que o momentum cresça e decaia

O otimizador Adam

Otimizador Adaptive Moment (Adam)
- tf.keras.optimizers.Adam()
- learning_rate
- beta1
Tem bom desempenho com valores padrão

Um exemplo completo

import tensorflow as tf

# Define the model function
def model(bias, weights, features = borrower_features):
    product = tf.matmul(features, weights)
    return tf.keras.activations.sigmoid(product+bias)

# Compute the predicted values and loss
def loss_function(bias, weights, targets = default, features = borrower_features):
    predictions = model(bias, weights)
    return tf.keras.losses.binary_crossentropy(targets, predictions)

# Minimize the loss function with RMS propagation
opt = tf.keras.optimizers.RMSprop(learning_rate=0.01, momentum=0.9)
opt.minimize(lambda: loss_function(bias, weights), var_list=[bias, weights])

Vamos praticar!

Introdução ao TensorFlow em Python