【深度学习】03-神经网络3-1梯度下降网络优化方法

news2024/11/16 22:49:34

每一条线是一个权重，每个神经元由一个加权和还有一个激活函数组成。每一层可以理解是一个函数，最终形成一个复合函数，因此求梯度的时候，是一层一层的求解，所以叫做反向传播。

只会考虑当前数据之前的数据，之后的数据就不考虑了。

import torch
import matplotlib.pyplot as plt
ELEMENT_NUMBER = 30
# 1. 实际平均温度 def test01():
# 固定随机数种子
torch.manual_seed(0)
# 产生30天的随机温度
temperature = torch.randn(size=[ELEMENT_NUMBER,]) * 10 
print(temperature)
# 绘制平均温度
days = torch.arange(1, ELEMENT_NUMBER + 1, 1) 
plt.plot(days, temperature, color='r') 
plt.scatter(days, temperature)
plt.show()

# 2. 指数加权平均温度 def test02(beta=0.9):
torch.manual_seed(0) # 固定随机数种子
temperature = torch.randn(size=[ELEMENT_NUMBER,]) * 10 # 产生30天的随机温度
exp_weight_avg = []
for idx, temp in enumerate(temperature, 1): # 从下标1开始
    # 第一个元素的的 EWA 值等于自身 if idx == 1:
    exp_weight_avg.append(temp)
    continue
    # 第二个元素的 EWA 值等于上一个 EWA 乘以 β + 当前气温乘以 (1-β) new_temp = exp_weight_avg[idx - 2] * beta + (1 - beta) * temp exp_weight_avg.append(new_temp)
    days = torch.arange(1, ELEMENT_NUMBER + 1, 1) 
plt.plot(days, exp_weight_avg, color='r') 
plt.scatter(days, temperature)
plt.show()

什么是指数加权平均？

指数加权平均（Exponentially Weighted Moving Average, EWMA）是一种对时间序列数据进行平滑的技术，强调新数据的重要性，同时不完全忽略旧数据。它在时间序列分析中常用于减少数据中的短期波动，突出长期趋势。

指数加权平均背后的思想是，对数据的权重按指数衰减，越新的数据权重越大，越老的数据权重越小。相比简单的移动平均，指数加权平均能够更快响应新的数据变化，同时保留历史数据的信息。

背景

在数据分析或时间序列处理时，经常遇到噪声或短期波动的问题。为了避免这些问题干扰对趋势的判断，平滑技术（如移动平均）被广泛应用。传统的简单移动平均法对所有时间点的数据赋予相同的权重，而这并不总是合理的，因为新数据可能比旧数据更重要。因此，指数加权平均诞生了，它通过加权的方法，赋予新数据更大的权重，从而更准确地捕捉趋势。

作用

平滑数据：通过减少噪声和短期波动，帮助观察数据的长期趋势。
预测趋势：常用于金融市场和物理系统中的趋势预测，比如股票价格的预测。
动态信号处理：适用于信号处理、数据流分析等场景，尤其是需要快速响应新数据的场合。
机器学习优化：在优化算法中，如动量梯度下降算法（Momentum SGD），指数加权平均用来平滑梯度的变化，防止过度振荡。

计算过程

指数加权平均的核心公式为： $[ S_t = \beta S_{t-1} + (1 - \beta) x_t ]$

其中：

( $S_t$ ) 是第 ( t ) 时刻的指数加权平均值。
( $S_{t-1}$ ) 是上一时刻的指数加权平均值。
( $x_t$ ) 是第 ( t ) 时刻的原始数据值。
( $\beta$ ) 是平滑参数，范围在 ( [0, 1] ) 之间。它决定了新数据与旧数据的权重比重。

参数解释：

( $\beta$ ) 越大，历史数据的权重越高，平滑效果越强，响应新数据的速度越慢。相当于对过去的变化保留更多信息。
( $\beta$ ) 越小，新数据的权重越高，平滑效果越弱，但能更快反映当前数据的变化。

初始值：

通常，指数加权平均的初始值可以取为第一个数据点，即 ( $S_0 = x_0$ )，从而保证整个序列有一个合理的初始平滑值。

示例代码讲解：

S= []
beta=.9
for idx,temp in enumerate(data):
 if idx==0:
   S.append(temp) # 初始化第一个平滑值
   continue
 # 使用公式 S_t = beta * S_{t-1} + (1 - beta) * x_t
 S.append(beta*S[idx-1]+(1-beta)*temp)

plt.plot(range(30),S) # 绘制平滑后的曲线
plt.scatter(range(len(data)),data) # 绘制原始数据点
plt.grid()
plt.show()