Optimizatori

Introducere în TensorFlow în Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Cum se găsește un minim

Imaginea prezintă Marele Canion.

¹ Sursă: U.S. National Park Service

Cum se găsește un minim

Imaginea prezintă Marele Canion.

¹ Sursă: U.S. National Park Service

Cum se găsește un minim

Imaginea prezintă Marele Canion.

¹ Sursă: U.S. National Park Service

Figura arată traiectoria de învățare a optimizatorilor SGD, RMS prop și Adam pentru o problemă simplă.

Optimizatorul gradient descendent

Optimizatorul gradient descendent stochastic (SGD)
- tf.keras.optimizers.SGD()
- learning_rate
Simplu și ușor de interpretat

Optimizatorul RMS prop

Optimizatorul RMS propagation
- Aplică rate de învățare diferite pentru fiecare caracteristică
- tf.keras.optimizers.RMSprop()
- learning_rate
- momentum
- decay
Permite acumularea și diminuarea impulsului

Optimizatorul Adam

Optimizatorul moment adaptiv (Adam)
- tf.keras.optimizers.Adam()
- learning_rate
- beta1
Funcționează bine cu valorile implicite ale parametrilor

Un exemplu complet

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])

Să exersăm!

Introducere în TensorFlow în Python