📌  相关文章
📜  TensorFlow-梯度下降优化

📅  最后修改于: 2020-12-10 06:06:47             🧑  作者: Mango

梯度下降优化被认为是数据科学中的重要概念。

考虑以下所示的步骤，以了解梯度下降优化的实现-

第1步

包括必要的模块以及x和y变量的声明，我们将通过它们定义梯度下降优化。

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各自的函数进行定义和调用。

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()

上面的代码行生成输出，如下面的屏幕快照所示-

初始化变量

我们可以看到，如输出所示，计算了必要的纪元和迭代。