小编A. *_*ris的帖子

我是 Julia 用户，刚接触 Flux 和机器学习。作为第一次测试并了解 Flux 的工作原理，我尝试使用 Flux 来估计一个简单的线性回归模型。但显然我做错了什么，因为使用火车训练模型！没有给出预期的 OLS 系数。这让我很惊讶；由于线性回归是一个简单的凸优化问题，我预计梯度下降会快速收敛到最优值。所以我想我对如何训练有一些误解！作品。

这是我的代码：

using Flux
using Flux: @epochs
using GLM

# Load data: The features of the Iris data set
features = Flux.Data.Iris.features();
x = features[1:3,:];
y = features[4,:];

J, N = size(x); # number of explanatory variables, number of observations

model = Chain(Dense(J,1)); # define the model

loss(x,y) = Flux.Losses.mse(model(x),y); # define the loss function

function loss_all(X,y) # and define a full-sample loss function
    l = 0;
    for i in …

我有三个关于指定函数参数和输出类型的相关问题。我正在定义一个希望多次调用的函数 f，因此我希望尽可能提高效率。我的函数定义如下所示：

function f(x, y)
    ...
    return z
end

我知道这x将是一个数组{Float64,1}，y将是一个数组{Float64,2}，z并将是一个 Float64。

我的问题是：

1. 在函数定义中指定输入类型是否有效率优势，即function f(x::Array{Float64}, y::Array{Float64})？
2. 通过指定x一维和二维来使类型更具体是否有任何额外的好处y，即function f(x::Array{Float64,1}, y::Array{Float64,2})？
3. 是否有效率的好处指定的类型z，即function f(x::Array{Float64,1}, y::Array{Float64,2})::Float64？

非常感谢！如果这些问题之前已经得到解决，我们深表歉意。