TensorFlow - 梯度下降优化

• 

  简述

  梯度下降优化被认为是数据科学中的一个重要概念。

  考虑下面显示的步骤以了解梯度下降优化的实现 -
• 

  第1步

  包括必要的模块和 x 和 y 变量的声明，我们将通过这些模块定义梯度下降优化。

  
  import tensorflow as tf
  x = tf.Variable(2, name = 'x', dtype = tf.float32)
  log_x = tf.log(x)
  log_x_squared = tf.square(log_x)
  optimizer = tf.train.GradientDescentOptimizer(0.5)
  train = optimizer.minimize(log_x_squared)
  

• 

  第2步

  初始化必要的变量并调用优化器以使用相应的函数定义和调用它。

  
  init = tf.initialize_all_variables()
  def optimize():
     with tf.Session() as session:
        session.run(init)
        print("starting at", "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))
        
        for step in range(10):
           session.run(train)
           print("step", step, "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))
  optimize()
  

  上面的代码行生成一个输出，如下面的屏幕截图所示 -

  

  我们可以看到，如输出所示，计算了必要的 epochs 和迭代次数。