Java 计算θ更新规则的梯度输出
因为它使用了一个sigmoid函数而不是零/一激活函数,我想这是计算梯度下降的正确方法,对吗Java 计算θ更新规则的梯度输出,java,gradient-descent,Java,Gradient Descent,因为它使用了一个sigmoid函数而不是零/一激活函数,我想这是计算梯度下降的正确方法,对吗 static double calculateOutput( int theta, double weights[], double[][] feature_matrix, int file_index, int globo_dict_size ) { //double sum = x * weights[0] + y * weights[1] + z * weights[2] + w
static double calculateOutput( int theta, double weights[], double[][] feature_matrix, int file_index, int globo_dict_size )
{
//double sum = x * weights[0] + y * weights[1] + z * weights[2] + weights[3];
double sum = 0.0;
for (int i = 0; i < globo_dict_size; i++)
{
sum += ( weights[i] * feature_matrix[file_index][i] );
}
//bias
sum += weights[ globo_dict_size ];
return sigmoid(sum);
}
private static double sigmoid(double x)
{
return 1 / (1 + Math.exp(-x));
}
更新 现在我更新了一些东西,看起来更像这样:
double loss, cost, hypothesis, gradient;
int p, iteration;
iteration = 0;
do
{
iteration++;
cost = 0.0;
loss = 0.0;
//loop through all instances (complete one epoch)
for (p = 0; p < number_of_files__train; p++)
{
// 1. Calculate the hypothesis h = X * theta
hypothesis = calculateHypothesis( theta, feature_matrix__train, p, globo_dict_size );
// 2. Calculate the loss = h - y and maybe the squared cost (loss^2)/2m
loss = hypothesis - outputs__train[p];
// 3. Calculate the gradient = X' * loss / m
gradient = calculateGradent( theta, feature_matrix__train, p, globo_dict_size, loss );
// 4. Update the parameters theta = theta - alpha * gradient
for (int i = 0; i < globo_dict_size; i++)
{
theta[i] = theta[i] - (LEARNING_RATE * gradient);
}
}
//summation of squared error (error value for all instances)
cost += (loss*loss);
/* Root Mean Squared Error */
if (iteration < 10)
System.out.println("Iteration 0" + iteration + " : RMSE = " + Math.sqrt( cost/number_of_files__train ) );
else
System.out.println("Iteration " + iteration + " : RMSE = " + Math.sqrt( cost/number_of_files__train ) );
//System.out.println( Arrays.toString( weights ) );
}
while(cost != 0 && iteration<=MAX_ITER);
}
static double calculateHypothesis( double theta[], double[][] feature_matrix, int file_index, int globo_dict_size )
{
double hypothesis = 0.0;
for (int i = 0; i < globo_dict_size; i++)
{
hypothesis += ( theta[i] * feature_matrix[file_index][i] );
}
//bias
hypothesis += theta[ globo_dict_size ];
return hypothesis;
}
static double calculateGradent( double theta[], double[][] feature_matrix, int file_index, int globo_dict_size, double loss )
{
double gradient = 0.0;
for (int i = 0; i < globo_dict_size; i++)
{
gradient += ( feature_matrix[file_index][i] * loss);
}
return gradient;
}
public static double hingeLoss()
{
// l(y, f(x)) = max(0, 1 − y · f(x))
return HINGE;
}
双重损失、成本、假设、梯度;
int p,迭代;
迭代=0;
做
{
迭代++;
成本=0.0;
损失=0.0;
//循环所有实例(完成一个历元)
对于(p=0;p而(cost!=0&&iteration您的calculateOutput
方法看起来是正确的。您的下一段代码我真的不这么认为:
weights[i] += LEARNING_RATE * localError * feature_matrix__train[p][i] * output_gradient[i]
查看您在网站上发布的图像:
让我们尝试在代码中识别这些规则的每一部分
Theta0和Theta1:看起来像是代码中的weights[i]
;我希望globo\u dict\u size=2
alpha
:似乎是你的学习率
1/m
:我在你的更新规则中找不到这一点。m
是Andrew Ng视频中的训练实例数。在你的情况下,我认为应该是1/number of u files\u train
;虽然这不是很重要,但即使没有它,事情也应该很好
求和:使用calculateOutput
函数执行此操作,在localError
变量中使用该函数的结果,然后乘以feature\u matrix\u train[p][i]
(相当于Andrew Ng符号中的x(i)
)
这部分是偏导数,也是梯度的一部分!
为什么?因为[h_θ(x(i))-y(i)]^2
对θ0
的偏导数等于:
2*[h_theta(x(i)) - y(i)] * derivative[h_theta(x(i)) - y(i)]
derivative[h_theta(x(i)) - y(i)] =
derivative[Theta0 * x(i, 1) + Theta1*x(i, 2) - y(i)] =
x(i, 1)
当然,你应该得到整个的总和。这也是为什么Andrew Ng使用<代码> 1(/2m)< /代码>的代价函数,因此<代码> 2 < /C> >将取消< <代码> 2 >代码>我们从派生得到。
请记住,x(i,1)
,或者仅仅是x(1)
应该包含所有的值。在代码中,您应该确保:
feature_matrix__train[p][0] == 1
就是这样!我不知道你的代码中应该有什么output\u gradient[I]
,你没有在任何地方定义它
我建议你看一下,以便更好地理解你所使用的算法。因为你使用的是sigmoid函数,看起来你想进行分类,但是你应该使用不同的成本函数。该文档还涉及逻辑回归。当你说特征矩阵列[p][i]==1
,这是什么意思?!当然不是==1,这是它对应的单词在全球词典中出现的次数!它可以等于一次,但也可以等于零或五百次!@s.Matthew_English-我的错,我的意思是写0
而不是I
。第一个元素应该等于1仅限使用。抱歉,我现在更正了。这与偏差术语相同吗?为什么我必须将其放在开头,可以放在结尾吗?@S.Matthew_English-是的,它是偏差术语。通常放在开头,因为这样可以更容易地进行向量化,但您可以将其放在案例中的任何地方。
feature_matrix__train[p][0] == 1