Оптимізатори

Вступ до TensorFlow на Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Як знайти мінімум

На зображенні показано Гранд-Каньйон.

¹ Джерело: U.S. National Park Service

Як знайти мінімум

На зображенні показано Гранд-Каньйон.

¹ Джерело: U.S. National Park Service

Як знайти мінімум

На зображенні показано Гранд-Каньйон.

¹ Джерело: U.S. National Park Service

На рисунку показано траєкторії навчання оптимізаторів SGD, RMSprop і Adam для простої задачі.

Оптимізатор градієнтного спуску

Оптимізатор стохастичного градієнтного спуску (SGD)
- tf.keras.optimizers.SGD()
- learning_rate
Простий і зрозумілий

Оптимізатор RMSprop

Оптимізатор RMS (root mean squared) propagation
- Застосовує різні швидкості навчання до кожної ознаки
- tf.keras.optimizers.RMSprop()
- learning_rate
- momentum
- decay
Дозволяє як нарощувати, так і згасати імпульсу

Оптимізатор Adam

Адаптивний моментний (Adam) оптимізатор
- tf.keras.optimizers.Adam()
- learning_rate
- beta1
Добре працює з типовими параметрами

Повний приклад

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])

Давайте потренуємось!

Вступ до TensorFlow на Python