Optimizers

Introductie tot TensorFlow in Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Hoe vind je een minimum

De afbeelding toont de Grand Canyon.

¹ Bron: U.S. National Park Service

Hoe vind je een minimum

De afbeelding toont de Grand Canyon.

¹ Bron: U.S. National Park Service

Hoe vind je een minimum

De afbeelding toont de Grand Canyon.

¹ Bron: U.S. National Park Service

De figuur toont het leerpad van de optimizers SGD, RMSprop en Adam voor een eenvoudig probleem.

De gradient-descent-optimizer

Stochastic gradient descent (SGD) optimizer
- tf.keras.optimizers.SGD()
- learning_rate
Simpel en goed te begrijpen

De RMSprop-optimizer

Root mean squared (RMS) propagation-optimizer
- Past per feature een andere learning rate toe
- tf.keras.optimizers.RMSprop()
- learning_rate
- momentum
- decay
Laat momentum zowel opbouwen als afnemen

De Adam-optimizer

Adaptive moment (Adam) optimizer
- tf.keras.optimizers.Adam()
- learning_rate
- beta1
Presteert goed met standaardwaarden

Een volledig voorbeeld

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])

Laten we oefenen!

Introductie tot TensorFlow in Python