градиентный спуск с линейного поиска armijo - PullRequest
Новая
       57

градиентный спуск с линейного поиска armijo

0 голосов
/ 19 сентября 2019

В настоящее время я реализую алгоритм градиентного спуска, который включает в себя метод динамического линейного поиска с использованием метода goldstein-armijo - backtracking.Он работает в определенной степени, но затем не может сходиться, разбивать размер шага и сходиться минимум.Поскольку я относительно новичок в этой теме, я не знаю, как подправить или изменить его, чтобы он больше сходился. 

# starting position
startx = np.array([x,y])

x_arr = [startx]
x = x_arr[-1]
beta = 0.1
alpha = 0.00001

# search direction,
# f_gradient returns the gradient
p = -f_gradient(x_arr[-1])

# cutoff
cutoff_thressh = 1*(10**(-8))

#initial stepsize
stp = 1

derphi = np.dot(f_gradient(x),p)

while curr_it < lim_it:

    if np.linalg.norm(f_gradient(x)) < cutoff_thressh:
        break

    # armijo conditions to reduce stepsize
    while f(x + stp * p) > (f(x) + alpha * stp * derphi)):
        stp*=beta

    gradient_mult = stp*f_gradient(x)
    x_new = np.subtract(x, gradient_mult)
    x_arr.append(x_new.tolist())

любой совет полезен!Спасибо

...