AI同上课-5（移动端）|当循环-迭代算法 VS 梯度

AI 新资讯15小时前发布

931 0 0

【背景】

在高一数据与算法学习当循环的条件构成及迭代算法时，我同时增加了人工智能模型训练中的梯度问题，因为2者相当匹配。

【知识】

1.数据与计算：while 当循环，关系表达式->逻辑表达式->循环条件，科学计数法，迭代公式x=x-lr*g

2.AI知识：学习率、梯度下降及在反向传播中的用途，梯度下降公式：w=w−η⋅∇L

【过程】

环节1.在线技术实验

说明：因机房近期网速慢的问题，在线少数浏览器IE的机器的同学使用了，多数学生用火狐浏览器器还是用了网页来实验。

学生左右讨论、实验，总结规律，学生讲解。

老师点拨导数：速度“导”位移变化，加速导”速度”变化，谁可导“加速度”变化？

数学课代表分析导数的规律，简单的概念。

环节2:分析程序中的迭代算法

修改程序代码，比较不同学习率、导函数和迭代次数对迭代结果的影响。

、defGD(x0, lr, N=10000, t=1e-5):#x0初始值，lr学习率，N最大迭代次数，t收敛阈值 x = x0 #初始位置 i =0 # y=x**2# 函数值表示当前高度 print(f"初始位置：x={x:.2f}，高度y={y:.2f}") whileabs(2*x)> tandi<N: # 梯度绝对值大于阈值时继续迭代 g =2* x # 用导函数求梯度（坡度） # 输出当前下山状态 print(f"第{i}步：位置x={x:.7f}高度y={y:.11f}坡度{g:.6f}") x = x - lr * g # 迈出一步 i +=1 y = x **2 returnx, i# 开始下山x0 =5 # 从x=5的位置开始lr =0.1 # 学习率（步长）大小GD(x0, lr) # 从x0开始，学习率为lr