AutoGrad 是一个老少皆宜的 Python 梯度计算模块。
对于初高中生而言，它可以用来轻易计算一条曲线在任意一个点上的斜率。
对于大学生、机器学习爱好者而言，你只需要传递给它Numpy这样的标准数据库下编写的损失函数，它就可以自动计算损失函数的导数（梯度）。
我们将从普通斜率计算开始，介绍到如何只使用它来实现一个逻辑回归模型。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。
(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.
(可选2) 此外，推荐大家用VSCode编辑器来编写小型Python项目：Python 编程的最好搭档—VSCode 详细指南
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，输入命令安装依赖：
pip install autograd2.AutoGrad 计算斜率
对于初高中生同学而言，它可以用来轻松计算斜率，比如我编写一个斜率为0.5的直线函数：
# 公众号 Python实用宝典import autograd.numpy as npfrom autograd import graddef oneline(x): y = x/2 return ygrad_oneline = grad(oneline)print(grad_oneline(3.0))运行代码，传入任意X值，你就能得到在该X值下的斜率：
(base) G:\push\20220724>python 1.py0.5由于这是一条直线，因此无论你传什么值，都只会得到0.5的结果。
那么让我们再试试一个tanh函数：
# 公众号 Python实用宝典import autograd.numpy as npfrom autograd import graddef tanh(x): y = np.exp(-2.0 * x) return (1.0 - y) / (1.0 + y)grad_tanh = grad(tanh)print(grad_tanh(1.0))此时你会获得 1.0 这个 x 在tanh上的曲线的斜率：
(base) G:\push\20220724>python 1.py0.419974341614026我们还可以绘制出tanh的斜率的变化的曲线：
# 公众号 Python实用宝典import autograd.numpy as npfrom autograd import graddef tanh(x): y = np.exp(-2.0 * x) return (1.0 - y) / (1.0 + y)grad_tanh = grad(tanh)print(grad_tanh(1.0))import matplotlib.pyplot as pltfrom autograd import elementwise_grad as egradx = np.linspace(-7, 7, 200)plt.plot(x, tanh(x), x, egrad(tanh)(x))plt.show()
图中蓝色的线是tanh，橙色的线是tanh的斜率，你可以非常清晰明了地看到tanh的斜率的变化。非常便于学习和理解斜率概念。
3.实现一个逻辑回归模型
有了Autograd，我们甚至不需要借用scikit-learn就能实现一个回归模型：
逻辑回归的底层分类就是基于一个sigmoid函数：
import autograd.numpy as npfrom autograd import grad# Build a toy dataset.inputs = np.array([[0.52, 1.12, 0.77], [0.88, -1.08, 0.15], [0.52, 0.06, -1.30], [0.74, -2.49, 1.39]])targets = np.array([True, True, False, True])def sigmoid(x): return 0.5 * (np.tanh(x / 2.) + 1)def logistic_predictions(weights, inputs): # Outputs probability of a label being true according to logistic model. return sigmoid(np.dot(inputs, weights))从下面的损失函数可以看到，预测结果的好坏取决于weights的好坏，因此我们的问题转化为怎么优化这个 weights 变量：
def training_loss(weights): # Training loss is the negative log-likelihood of the training labels. preds = logistic_predictions(weights, inputs) label_probabilities = preds * targets + (1 - preds) * (1 - targets) return -np.sum(np.log(label_probabilities))知道了优化目标后，又有Autograd这个工具，我们的问题便迎刃而解了，我们只需要让weights往损失函数不断下降的方向移动即可：
# Define a function that returns gradients of training loss using Autograd.training_gradient_fun = grad(training_loss)# Optimize weights using gradient descent.weights = np.array([0.0, 0.0, 0.0])print("Initial loss:", training_loss(weights))for i in range(100): weights -= training_gradient_fun(weights) * 0.01print("Trained loss:", training_loss(weights))运行结果如下：
(base) G:\push\20220724>python regress.pyInitial loss: 2.772588722239781Trained loss: 1.067270675787016由此可见损失函数以及下降方式的重要性，损失函数不正确，你可能无法优化模型。损失下降幅度太单一或者太快，你可能会错过损失的最低点。
总而言之，AutoGrad是一个你用来优化模型的一个好工具，它可以给你提供更加直观的损失走势，进而让你有更多优化想象力。有兴趣的朋友还可以看官方的更多示例代码：
我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典
评论(0)