Python 线性回归规划问题

我正在尝试使用一个线性回归程序来使用mnist数据集预测手写数字。每当我尝试运行它时，梯度下降函数总是需要一段时间才能工作，并且需要很长时间才能接近正确的权重。在八个小时内，它已经完成了550次功能，但仍然存在很多错误。有没有人能告诉我，这通常需要这么长时间，或者我做错了什么

import numpy as np
import pandas as pd

mnist = pd.read_csv('mnist_train.csv')[:4200]
x = np.array(mnist)[:4200,1:]
y = np.array(mnist)[:4200,0].reshape(4200,1)

#How many numbers in dataset
n = len(x)
#How many values in each number
n1 = len(x[0])

#sets all weights equal to 1
coef = np.array([1 for i in range(n1)])

epochs = 1000000000000
learning_rate = .000000000008999
for i in range(epochs):
    cur_y = sum(x*coef)
    error = y-cur_y
    #Calculates Gradient
    grad = (np.array([sum(sum([-2/n  * (error)* x[j,i] for j in range(n)])) for i in range(n1)]))
    #Updates Weights
    coef = (-learning_rate * grad) + coef
    print(i)
    print(sum(y-(x*coef)))

---

你的学习率非常低。另外，784是线性回归需要处理的很多维度，特别是假设您使用的是所有60000个样本。支持向量机将更好地工作，显然，CNN将是最好的

---

鉴于您的错误越来越小，我建议您提高学习率，并使用随机梯度进行训练（从每个历元的训练集中随机获取批次，而不是整个训练集）。

“有人能告诉我，通常需要这么长时间吗？”-需要多长时间？我将历代设置为10000000000，并让它运行八个小时，以查看它将经历多少次，以及大约550次迭代。错误变小了，但仍然不准确。猜测一下，您可能希望对代码进行安排，以便在

numpy

中对迭代次数超过100次的循环进行矢量化。我认为您将学习速率设置得太小，因此在经过合理数量的循环后会出现较大的错误。谢谢！我会试着用它。