拟牛顿法实现（Python）

接着上篇写的牛顿法，我们继续来研究牛顿法的改进方法——拟牛顿法。

拟牛顿法其实也是很简单了。为什么要研究出这种方法呢，就是因为常规的牛顿法每次迭代更新x值时都要计算Hessian矩阵。这是个二阶导矩阵，当x的维度增大时，它的计算量也是成指数倍增加的。比如: $X[x_{1}, x_{2},\cdot \cdot \cdot , x_{n}]$ ，那么H矩阵的维度就是n*n。

所以，我们就想拿个一阶矩阵来近似于Hessian矩阵。过程如下图：

其实思想都很简单。DFP方法是用一个G正定矩阵来近似于Hessian的逆矩阵，而BFGS方法是用一个B正定矩阵来近似于Hessian矩阵。两个矩阵的更新表达式如下所示：

公式看上去都大同小异的，虽然式子有很多，但求起来都挺简单的。另外，BFGS方法是当前最流行的拟牛顿法，收敛的也更快。

下面是我的代码复现。

BFGS算法：

def bfgs_newton(f, x, iters):"""实现BFGS拟牛顿法:param f: 原函数:param x: 初始值:param iters: 遍历的最大epoch:return: 最终更新完毕的x值"""# 步长。设为1才能收敛，小于1不能收敛learning_rate = 1# 初始化B正定矩阵B = np.eye(2)x_len = x.shape[0]# 一阶导g的第二范式的最小值（阈值）epsilon = 1e-5for i in range(1, iters):g = jacobian(f, x)if np.linalg.norm(g) < epsilon:breakp = np.linalg.solve(B, g)# 更新x值x_new = x - p*learning_rateprint("第" + str(i) + "次迭代后的结果为:", x_new)g_new = jacobian(f, x_new)y = g_new - gk = x_new - xy_t = y.reshape([x_len, 1])Bk = np.dot(B, k)k_t_B = np.dot(k, B)kBk = np.dot(np.dot(k, B), k)# 更新B正定矩阵。完全按照公式来计算B = B + y_t*y/np.dot(y, k) - Bk.reshape([x_len, 1]) * k_t_B / kBkx = x_newreturn x

算法的执行效果如下：

可以看到，在第23次就收敛了。

DFP算法：

def dfp_newton(f, x, iters):"""实现DFP拟牛顿算法:param f: 原函数:param x: 初始值:param iters: 遍历的最大epoch:return: 最终更新完毕的x值"""# 步长learning_rate = 1# 初始化B正定矩阵G = np.eye(2)x_len = x.shape[0]# 一阶导g的第二范式的最小值（阈值）epsilon = 1e-5for i in range(1, iters):g = jacobian(f, x)if np.linalg.norm(g) < epsilon:breakp = np.dot(G, g)# 更新x值x_new = x - p * learning_rateprint("第" + str(i) + "次迭代后的结果为:", x_new)g_new = jacobian(f, x_new)y = g_new - gk = x_new - xGy = np.dot(G, y)y_t_G = np.dot(y, G)yGy = np.dot(np.dot(y, G), y)# 更新G正定矩阵G = G + k.reshape([x_len, 1]) * k / np.dot(k, y) - Gy.reshape([x_len, 1]) * y_t_G / yGyx = x_newreturn x

算法执行效率如下：

可以看到，执行到1000次也没有收敛。由此证明了BFGS算法的收敛性确实要优于DFP算法。

最后，我还要提一提矩阵与向量的相关计算问题。我在这块儿吃了一些苦头，这儿推荐一篇博文，里面记录了相关知识点。因为我们传入的X实际上是一个一维向量，与二维矩阵做乘积运算时，不同的顺序所得到的结果会有不同，我们需要注意。

完整版代码在此处下载。

拟牛顿法实现（Python）相关推荐

python拟牛顿法迭代点绘制_最速下降法、牛顿法、拟牛顿法，Python实现高维二次目标函数优化...
原理什么的就不说了,只有代码... 十元二次目标函数,求极小值点. 1.最速下降法 import random import numpy as np import matplotlib.pyplot ...
拟牛顿法求解非线性方程组
文章目录牛顿法求解非线性方程组拟牛顿法案例 Python代码牛顿法求解非线性方程组假设有非线性方程组 f(x)=0f(x)=0f(x)=0, 解为x∗x^{*}x∗ f(x∗)=f(x~)+ ...
【Python篇】拟牛顿法面面俱到(一)--牛顿插值法
感谢关注天善智能,走好数据之路↑↑↑ 欢迎关注天善智能,我们是专注于商业智能BI,人工智能AI,大数据分析与挖掘领域的垂直社区,学习,问答.求职一站式搞定! 对商业智能BI.大数据分析挖掘.机器学习, ...
python牛顿法与拟牛顿法_python牛顿法
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! plt.plot(xv, yv, label=track)#plt.plot(x ...
python pandas库实现逻辑回归拟牛顿法求参数_python 牛顿法实现逻辑回归（Logistic Regression）...
本文采用的训练方法是牛顿法(Newton Method). 代码 import numpy as np class LogisticRegression(object): ""&q ...
python 拟牛顿法求非线性方程_9-非线性优化
本章内容: 介绍了无约束和有约束两种类型的非线性优化一.无约束优化无约束优化的一般形式为: 如果要求最大值,则 1.1 fminunc() 介绍:是MATLAB求解无约束优化的主要函数,算法有:信 ...
python牛顿法与拟牛顿法_[机器学习必知必会]牛顿法与拟牛顿法
前言同梯度下降法一样,牛顿法和拟牛顿法也是求解无约束最优化问题的常用方法.牛顿法本身属于迭代算法,每一步需要求解目标函数的海赛矩阵的逆矩阵,计算比较复杂.拟牛顿法通过正定矩阵近似海赛矩阵的逆矩阵或海 ...
python拟牛顿法迭代点绘制_拟牛顿法python
{"moduleinfo":{"card_count":[{"count_phone":1,"count":1}],&q ...
python 拟牛顿法求非线性方程_C语言实现迭代法求非线性方程的根
迭代法求非线性方程的根迭代法是一种逐次逼近法.它是求解代数方程,超越方程及方程组的一种基本方法,但存在收敛性及收敛快慢的问题. 为了用迭代法求非线性方程f(x) = 0的近似根: 1.首先需要将此方 ...

拟牛顿法实现（Python）

拟牛顿法实现（Python）相关推荐

最新文章

热门文章