1 Gradient Checking 说明

前面我们已经实现了Linear Regression和Logistic Regression。关键在于代价函数Cost Function和其梯度Gradient的计算。

在Gradient的计算中，我们一般採用推导出来的计算公式来进行计算。

可是我们看到，推导出来的公式是复杂的。特别到后面的神经网络，更加复杂。这就产生了一个问题，我们怎样推断我们编写的程序就是计算出正确的Gradient呢？

解决的方法就是通过数值计算的方法来估算Gradient然后与用公式计算出来的数据做对照，假设差距非常小，那么就说明我们的计算是对的。

那么採用什么数值计算方法呢？

事实上就是基于最主要的求导公式：

ddθJ(θ)=limϵ→0J(θ+ϵ)−J(θ−ϵ)2ϵ.

我们取epsilon一个非常小的值，那么得到的数据就是导数的近似。

因此

g(θ)≈J(θ+EPSILON)−J(θ−EPSILON)2×EPSILON.

2 代码实现

这里我们不须要自己Code，官方已经给出了代码。我们仅仅须要分析一下：

这个代码用来计算gradient平均误差

% 说明：grad_check 參数

% fun为函数

% num_checks 检查次数

% varagin为參数列 var1,var2,var3...这个varagin必须放在function最后一个项

function average_error = grad_check(fun, theta0, num_checks, varargin)

  delta=1e-3;

  sum_error=0;

  fprintf(' Iter       i             err');

  fprintf('           g_est               g               f\n')

  for i=1:num_checks

    T = theta0;

    j = randsample(numel(T),1);

    T0=T; T0(j) = T0(j)-delta;

    T1=T; T1(j) = T1(j)+delta;

    [f,g] = fun(T, varargin{:}); %因为fun是linear_regression或logistic_regression

    f0 = fun(T0, varargin{:});   %所以这里的varagin{:}參数为train.X,train.y

    f1 = fun(T1, varargin{:});

    g_est = (f1-f0) / (2*delta);

    error = abs(g(j) - g_est);

    fprintf('% 5d  % 6d % 15g % 15f % 15f % 15f\n', ...

            i,j,error,g(j),g_est,f);

    sum_error = sum_error + error;

  end

  average_error =sum_error/num_checks;

那么在使用中。比方在ex1a_linreg.m中，能够这样使用：

% Gradient Check

average_error = grad_check(@linear_regression_vec,theta,50,train.X,train.y);

fprintf('Average error :%f\n',average_error);

【本文为原创文章。转载请注明出处：blog.csdn.net/songrotek 欢迎交流哦QQ：363523441】

EPSILON

深度学习 Deep Learning UFLDL 最新Tutorial 学习笔记 4：Debugging: Gradient Checking

1 Gradient Checking 说明

2 代码实现