神经网络基础-神经网络补充概念-44-minibatch梯度下降法_bp神经网络小批量梯度下降更新-CSDN博客

本文链接：https://blog.csdn.net/CSDNXXCQ/article/details/132340736

本文介绍了小批量梯度下降法的概念，展示了如何在Python中使用这种方法对线性回归模型进行训练，通过随机选择小批量数据更新模型参数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

概念

小批量梯度下降法（Mini-Batch Gradient Descent）是梯度下降法的一种变体，它结合了批量梯度下降（Batch Gradient Descent）和随机梯度下降（Stochastic Gradient Descent）的优点。在小批量梯度下降中，每次更新模型参数时，不是使用全部训练数据（批量梯度下降）或仅使用一个样本（随机梯度下降），而是使用一小部分（小批量）样本。

代码实现

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 添加偏置项
X_b = np.c_[np.ones((100, 1)), X]

# 初始化参数
theta = np.random.randn(2, 1)

# 学习率
learning_rate = 0.01

# 迭代次数
n_iterations = 1000

# 小批量大小
batch_size = 10

# 小批量梯度下降
for iteration in range(n_iterations):
    shuffled_indices = np.random.permutation(100)
    X_b_shuffled = X_b[shuffled_indices]
    y_shuffled = y[shuffled_indices]
    for i in range(0, 100, batch_size):
        xi = X_b_shuffled[i:i+batch_size]
        yi = y_shuffled[i:i+batch_size]
        gradients = 2 / batch_size * xi.T.dot(xi.dot(theta) - yi)
        theta = theta - learning_rate * gradients

# 绘制数据和拟合直线
plt.scatter(X, y)
plt.plot(X, X_b.dot(theta), color='red')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression with Mini-Batch Gradient Descent')
plt.show()

print("Intercept (theta0):", theta[0][0])
print("Slope (theta1):", theta[1][0])