Optimerare

Introduktion till TensorFlow i Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Att hitta ett minimum

Bilden visar Grand Canyon.

¹ Källa: U.S. National Park Service

Att hitta ett minimum

Bilden visar Grand Canyon.

¹ Källa: U.S. National Park Service

Att hitta ett minimum

Bilden visar Grand Canyon.

¹ Källa: U.S. National Park Service

Figuren visar inlärningsvägen för optimerarna SGD, RMS prop och Adam för ett enkelt problem.

Optimeraren för gradientnedstigning

Optimerare för stokastisk gradientnedstigning (SGD)
- tf.keras.optimizers.SGD()
- learning_rate
Enkel och lättolkad

Optimeraren RMS prop

Optimerare för rotmedelkvadratspropagering (RMS)
- Tillämpar olika inlärningshastigheter per särdrag
- tf.keras.optimizers.RMSprop()
- learning_rate
- momentum
- decay
Tillåter att momentum både byggs upp och avtar

Optimeraren adam

Optimerare för adaptivt moment (adam)
- tf.keras.optimizers.Adam()
- learning_rate
- beta1
Fungerar bra med standardvärden för parametrarna

Ett komplett exempel

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])

Nu kör vi en övning!

Introduktion till TensorFlow i Python