TensorFlow - Otimização de gradiente descendente
A otimização de gradiente descendente é considerada um conceito importante na ciência de dados.
Considere as etapas mostradas abaixo para entender a implementação da otimização de gradiente descendente -
Passo 1
Incluir módulos necessários e declaração das variáveis xey através das quais vamos definir a otimização da descida do gradiente.
import tensorflow as tf
x = tf.Variable(2, name = 'x', dtype = tf.float32)
log_x = tf.log(x)
log_x_squared = tf.square(log_x)
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(log_x_squared)
Passo 2
Inicialize as variáveis necessárias e chame os otimizadores para definir e chamar com a respectiva função.
init = tf.initialize_all_variables()
def optimize():
with tf.Session() as session:
session.run(init)
print("starting at", "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))
for step in range(10):
session.run(train)
print("step", step, "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))
optimize()
A linha de código acima gera uma saída conforme mostrado na captura de tela abaixo -
Podemos ver que as épocas e iterações necessárias são calculadas conforme mostrado na saída.