zoukankan      html  css  js  c++  java
  • 机器学习代码实战——数值计算

      1.上溢和下溢

      下溢(Underflow):当接近零的数被四舍五入为零时发生下溢。

      上溢(Overflow):当大量级的数被近似为 ∞ 或 −∞ 时发生上溢。

      必须对上溢和下溢进行数值稳定的一个例子是 softmax 函数。softmax 函数经常用于预测与范畴分布相关联的概率,定义为:

      

    在这里插入图片描述

      import numpy as np

      x = np.array([1e7, 1e8, 2e5, 2e7])

      y = np.exp(x) / sum(np.exp(x))

      print("上溢:",y)

      x = x - np.max(x) # 减去最大值

      y = np.exp(x) / sum(np.exp(x))

      print("上溢处理:",y)

      import numpy as np

      x = np.array([-1e10, -1e9, -2e10, -1e10])

      y = np.exp(x) / sum(np.exp(x))

      print("下溢:",y)

      x = x - np.max(x)

      y = np.exp(x) / sum(np.exp(x))

      print("下溢处理:",y)

      print("log softmax(x):", np.log(y))

      def logsoftmax(x):

      y = x - np.log(sum(np.exp(x)))

      return y郑州看妇科哪家医院好 http://www.hnzzkd.com/

      print("logsoftmax(x):", logsoftmax(x))

      2.优化方法

      梯度下降法

      x0 = np.array([1.0,1.0,1.0])

      A = np.array([[1.0, -2.0, 1.0],[0.0, 2.0, -8.0], [-4.0, 5.0, 9.0]])

      b = np.array([0.0, 8.0, -9.0])

      epsilon = 0.001

      delta = 1e-3

      def matmul_chain(*args):

      if len(args) == 0:

      return np.nan

      result = args[0]

      for x in args[1:]:

      result += x

      return result

      def gradient_decent(x, A,b,epsilon,delta):

      while np.linalg.norm(matmul_chain(A.T,A,x) - matmul_chain(A.T,b)) > delta:

      x -= epsilon*(matmul_chain(A.T,A,x) - matmul_chain(A.T,b))

      return x

      gradient_decent(x0,A,b,epsilon,delta)

  • 相关阅读:
    使用MyBatis生成插件
    关联源码及日志
    下载依赖
    框架简介及基本使用
    注解的本质 及 反射读取属性值
    元注解
    广告系统学习笔记(一)
    Nginx学习笔记(三)
    Nginx学习笔记(二)
    Nginx学习笔记(一)
  • 原文地址:https://www.cnblogs.com/djw12333/p/12455356.html
Copyright © 2011-2022 走看看