目录
摘要
1.神经网络的梯度计算
2.梯度下降法（Gradient Descent）
摘要
本篇文章继续学习尚硅谷深度学习教程，学习内容是神经网络的梯度计算，代码实现用梯度下降法
1.神经网络的梯度计算
在神经网络的学习中，梯度的计算非常重要。神经网络中的梯度，指的就是损失函数关于权重参数的梯度。我们以一个单层的简单网络为例，形状为2×3，权重参数为W，损失函数记为L。那么它的权重参数和梯度为:
这里，梯度也是一个2×3的矩阵，其中各个元素由L关于W中各元素的偏导数构成。
代码如下：
import numpy as np from common.functions import softmax,cross_entropy_error from common.gradient import numerical_gradient class simpleNet: def __init__(self): self.W = np.random.randn(2,3) def forward(self, x): a= x @ self.W return softmax(a) def loss(self, x, t): y = self.forward(x) loss = cross_entropy_error(y, t) return loss x = np.array([0.6, 0.9]) t = np.array([0, 0, 1]) net = simpleNet() f = lambda w: net.loss(x, t) dW = numerical_gradient(f, net.W) print(dW)测试：
2.梯度下降法（Gradient Descent）
梯度下降法（Gradient Descent）是一种用于最小化目标函数的迭代优化算法。核心是沿着目标函数（如损失函数）的负梯度方向逐步调整参数，从而逼近函数的最小值。梯度方向指示了函数增长最快的方向，因此负梯度方向是函数下降最快的方向。
具体来说，我们初始找到函数f(x1,x2)的一个点(x1,x2)，按下式进行更新
这样就可以沿着负梯度方向，找到一个新的点(x1',x2')，让函数值更小。这里的η表示每次的更新量，在神经网络的学习过程中，就代表了一次学习的步长（一次学习多少、多大程度去更新参数），称为学习率（learning rate）。学习率需要预先设定好，过大或过小都会导致学习效果不佳。
梯度下降法可以代码实现如下：
import numpy as np import matplotlib.pyplot as plt from common.gradient import numerical_gradient def gradient_descent(f, init_x, lr=0.01, step_num=100): x = init_x #保存x变化 x_history = [] for i in range(step_num): x_history.append( x.copy() ) grad = numerical_gradient(f, x) x -= lr * grad return x, np.array(x_history)案例测试
#定义目标函数f（x）=x1^2+x2^2 def f(x): return x[0]**2 + x[1]**2 if __name__ == '__main__': init_x=np.array([-3.0,4.0]) #超参数 lr=0.1 num_iter=20 #梯度下降法计算最小值 x, x_history = gradient_descent(f, init_x, lr, num_iter) print("最小值点为：",x)测试
)
