使用NumPy实现简单的机器学习任务

我们用最原始的NumPy实现一个有关回归的机器学习任务，而不用PyTorch中的包或类。这种方法的代码可能会多一点，但每一步都是透明的，有利于理解每一步的工作原理。

主要步骤分析如下。
首先，给出一个数组x，然后基于表达式y=3x+2，加上一些噪声数据到达另一组数据y。然后，构建一个机器学习模型，学习表达式y=wx+b的两个参数w、b。利用数组x、y的数据训练模型。
最后，采用梯度下降法，通过多次迭代学习到w、b的值。

通俗一点就是已知一组x，y的值，这些值是满足函数严格一一对应的条件，我们需要通过数据去反推x，y之间存在最满足原始数据的函数关系

 

import numpy as np
from matplotlib import pyplot as plt


np.random.seed(100)
x = np.linspace(-1,1,100).reshape(100,1)
y = 3 * np.power(x,2) + 2 + 0.2 * np.random.rand(x.size).reshape(100,1)

# drawing
plt.scatter(x,y)
plt.show()

# 初始化参数
w1 = np.random.rand(1,1)
b1 = np.random.rand(1,1)

这里我们取100个随机数

】

学习之后得到的拟合曲线

补充代码如下

# 训练模型
lr = 0.001  # 学习率
for i in range(800):
    # 正向传播
    y_pred = np.power(x, 2) * w1 + b1
    # 定义损失函数
    loss = 0.5 * (y_pred - y) ** 2
    loss = loss.sum()
    # 计算梯度
    grad_w = np.sum((y_pred - y) * np.power(x, 2))
    grad_b = np.sum(y_pred - y)
    # 使用梯度下降更新参数
    w1 -= lr * grad_w
    b1 -= lr * grad_b

# 可视化结果
plt.plot(x, y_pred, 'r-', label='Predict', linewidth=4)
plt.scatter(x, y, color='blue', marker='o', label='True')
plt.xlim(-1, 1)
plt.ylim(2, 6)
plt.legend()
plt.show()
print("w1:", w1, "b1:", b1)

同时终端把计算出的b1，w1显示出来

与我们设定的w1 = 3，b1 = 2几乎一样，若数据的个数增大至无穷，则这两个参数无限接近设定值。