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.