Optimalizátory

Úvod do TensorFlow v Pythonu

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Jak najít minimum

Obrázek ukazuje Grand Canyon.

¹ Zdroj: U.S. National Park Service

Jak najít minimum

Obrázek ukazuje Grand Canyon.

¹ Zdroj: U.S. National Park Service

Jak najít minimum

Obrázek ukazuje Grand Canyon.

¹ Zdroj: U.S. National Park Service

Obrázek ukazuje průběh učení optimalizátorů SGD, RMS prop a Adam na jednoduchém problému.

Optimalizátor gradientního sestupu

Optimalizátor stochastického gradientního sestupu (SGD)
- tf.keras.optimizers.SGD()
- learning_rate
Jednoduchý a snadno interpretovatelný

Optimalizátor RMS prop

Optimalizátor RMS propagace (RMSprop)
- Aplikuje různé rychlosti učení na každý příznak
- tf.keras.optimizers.RMSprop()
- learning_rate
- momentum
- decay
Umožňuje nárůst i pokles hybnosti

Optimalizátor Adam

Optimalizátor adaptivního momentu (Adam)
- tf.keras.optimizers.Adam()
- learning_rate
- beta1
Dobře funguje s výchozími hodnotami parametrů

Kompletní příklad

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])

Pojďme si procvičit!

Úvod do TensorFlow v Pythonu