Optymalizatory

Wprowadzenie do TensorFlow w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Jak znaleźć minimum

Obraz przedstawia Wielki Kanion.

¹ Źródło: U.S. National Park Service

Jak znaleźć minimum

Obraz przedstawia Wielki Kanion.

¹ Źródło: U.S. National Park Service

Jak znaleźć minimum

Obraz przedstawia Wielki Kanion.

¹ Źródło: U.S. National Park Service

Rysunek przedstawia ścieżki uczenia się optymalizatorów SGD, RMS prop i Adam dla prostego problemu.

Optymalizator spadku gradientu

Optymalizator stochastycznego spadku gradientu (SGD)
- tf.keras.optimizers.SGD()
- learning_rate
Prosty i łatwy do interpretacji

Optymalizator RMS prop

Optymalizator RMS propagacji (RMSprop)
- Stosuje różne współczynniki uczenia dla każdej cechy
- tf.keras.optimizers.RMSprop()
- learning_rate
- momentum
- decay
Pozwala na budowanie i zanikanie momentum

Optymalizator Adam

Optymalizator adaptacyjnego momentu (Adam)
- tf.keras.optimizers.Adam()
- learning_rate
- beta1
Działa dobrze z domyślnymi wartościami parametrów

Kompletny przykład

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])

Czas na ćwiczenia!

Wprowadzenie do TensorFlow w Pythonie