Código de Python - Derivada

Código de Python - Derivada_REGRESIÓN

Derivada_REGRESIÓN

Python

Publicado el 18 de Agosto del 2023 por Hilario (123 códigos)

1.140 visualizaciones desde el 18 de Agosto del 2023

"""
Derivada_Descenso_Gradiente.py
-----------------------------------
Que hace el programa:

Dada la parábola de esta función:
f(x,t)=(x ** 2 / 2) + t
Vamos a realizar la derivada de los puntos de una parábola
de forma inversa, lo que se define como descenso de gradiente,
a partir de un punto dado por:
init_x = 18.
Muy utilizado en Redes Neuronales.
También imprimiremos su valor al llegar
a la última vuelta del "loop" range(5000)
------------------------------------------------
Ejecución bajo consola de linux, con este comando:
python3 derivada_descenso_gradiente_1.py
-------------------------------------------------

***************************************************************
Programa Realizado Bajo plataforma Ubuntu
de linix.
Editado con Sublime text.
También se puede editar y ejecutar con Google Colab
*****************************************

"""

Requerimientos

b]Programa Realizado Bajo plataforma Ubuntu
de linix.
Editado con Sublime text.
También se puede editar y ejecutar con Google Colab
*****************************************[/b]

V-0

Actualizado el 22 de Agosto del 2023 (Publicado el 18 de Agosto del 2023)

gráfica de visualizaciones de la versión: V-0

1.141 visualizaciones desde el 18 de Agosto del 2023

"""

Derivada_Descenso_Gradiente.py

-----------------------------------

Que hace el programa:

Dada la parábola de esta función:

f(x,t)=(x ** 2 / 2) + t

Vamos a realizar la devrivada inversa a partir

de un punto dado por:

init_x = 18.

También imprimiremos su valor al llegar

a la última vuelta del "loop" range(5000)

------------------------------------------------

Ejecución bajo consola de linux, con este comando:

python3 derivada_descenso_gradiente_1.py

-------------------------------------------------

Programa Realizado Bajo plataforma Ubuntu

de linix.

Editado con Sublime text.

También se puede editar y ejecutar con Google Colab

*****************************************

"""

import numpy as np

import matplotlib.pyplot as plt

t = 3.14

def my_funct(x):

    return (x ** 2 / 2) + t

def derivada(x):

    return x

x = np.linspace(-20, 20, 250)

y = my_funct(x)

init_x = 18  # Punto de inicio para el descenso del gradiente

lr = 0.05  # La tasa de aprendizaje (learning rate en inglés)

init_y = my_funct(init_x)

px = init_x - derivada(init_x) * lr

py = my_funct(px)

#Graficado de la función y los puntos.

plt.plot(x, y)

plt.plot(init_x, init_y, 'bo')

plt.plot(px, py, 'bo')

Punto_minimo_derivado = derivada(px)  # Inicializar con el valor de la primera derivada

minimo_px = px

for i in range(5000):

    px = px - derivada(px) * lr

    py = my_funct(px)

    plt.plot(px, py, 'bo')

#Impresion del valor del último punto.

    Punto_derivadoActual = derivada(px)

    if Punto_derivadoActual < Punto_minimo_derivado:

        Punto_minimo_derivado = Punto_derivadoActual

        minimo_px = px

plt.show()

print("Valor de minimo px en el punto de la derivada más pequeña:", format(minimo_px, '.125f'))

"""

Valor de minimo px en el punto de la derivada más pequeña: 0.00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000709614620101668

"""

Comentarios sobre la versión: V-0 (0)

No hay comentarios

Comentar la versión: V-0

http://lwp-l.com/s7416

Nuevo_Descenso_Gradiente

Red Neuronal-sklearn

Código de Python - Derivada_REGRESIÓN

Requerimientos

V-0

Comentarios sobre la versión: V-0 (0)

Comentar la versión: V-0

Tienes que ser un usuario registrado para poder insertar imágenes, archivos y/o videos.