1.方法一:
利用梯度下降算法求解y=x^2的極值。
注意:此種方法,除了x的更新之外,還有一點需要注意,那就迭代停止的條件。可以設置一個閾值a,比較x更新前後的y的差的絕對值與閾值a的大小,即Δy與a的大小。當Δy<=a時,停止迭代。
import numpy as np
def f(x):
return x**2
def h(x):
return 2*x
x = 2 #初始點(初始橫座標)
step = 0.8#(步長)
f_change = f(x)
f_current = f(x)
count = 0#迭代次數
while f_change>1e-10:#停止迭代的條件,差值小於10^-10的時候停止迭代
x = x-step*h(x)#更新x
tmp = f(x)#更新x之後的f(x)的值,用另一個變量接收
f_change = np.abs(f_current-tmp)#x更新前後的y的差值
f_current =tmp#將更新的f(x)傳入下一次的迭代
count+=1#增加一次迭代次數
print('迭代了:%d次'%count,'\n''求得x爲:',x,'\n''求得y爲:',f_current)
----------------------------------------------------------------------------------------------------------------
運行結果爲:
迭代了:25次
求得x爲: -5.686057605985963e-06
求得y爲: 3.233125109859082e-11
2.
# 梯度下降求函數極值點方法(二) # 梯度下降求y=(x-2)^2的極值點 # 原理:因爲位於極值點附近的時候導數(梯度)趨近於0,自變量的變化速度也會變小。 # 當自變量的更新前後的差值達到設定的閾值的時候,則停止迭代 #導包 import numpy as np #原函數 def f(x): return x**2-4*x+4 #導數 def h(x): return 2*x-4 a = 16 #初始點(初始橫座標) step = 0.1#(步長) count =0#記錄迭代次數 deta_a = 16#a更新前後的差值(初始值設定爲起始點) error_rate = 1e-5#給定的閾值 while deta_a>error_rate: a = a-step*h(a) deta_a = np.abs(deta_a - a) count+=1 y = f(a) print('迭代次數%d'%count) print(a) print(y) print('極值點爲(%f,%f)'%(a,y))
迭代次數49
2.0002497683462233
6.238422667337318e-08
極值點爲(2.000250,0.000000)
3.
''' 梯度下降求函數極值點方法(三) 梯度下降求y=(x-2)^2的極值點 原理:因爲位於極值點,函數的導數(梯度)=0。當函數的梯度的變化值達到設定的閾值的時候,則停止迭代 ''' #導包 import numpy as np #原函數 def f(x): return x**2-4*x+4 #導數 def h(x): return 2*x-4 a = 16 #初始點(初始橫座標) step = 0.1#(步長) count =0#記錄迭代次數 deta_h = h(a)#a更新前後的差值(初始值設定爲起始點,也可以設置爲大於閾值的任意的數) error_rate = 1e-5#給定的閾值 while deta_h>error_rate: b = a-step*h(a)#更新a,用新的變量接收 deta_h = np.abs(h(b)-h(a)) count+=1 a = b-step*h(b) y = f(b) print('迭代次數%d'%count) print(a) print(y) print('極值點爲(%f,%f)'%(a,y))
運行結果爲:
迭代次數31
2.0000137311600463
2.9460078820875424e-10
極值點爲(2.000014,0.000000)