本笔记来源于b站刘二大人:《PyTorch深度学习实践》2.线性模型
一、代码
import numpy as np
import matplotlib.pyplot as plt
x_data = [1.0, 2.0, 3.0]#定义数据
y_data = [2.0, 4.0, 6.0]#定义标签
def forward(x): #定义简单的模型
return x*w
def loss(x, y): #定义损失函数
y_pred = forward(x)
return (y_pred - y)**2
w_list = [] #保存权重
mse_list = [] #保存损失值
for w in np.arange(0.0, 4.1, 0.1): #从0到4间隔0.1采样
print("w=", w)
l_sum = 0
for x_val, y_val in zip(x_data, y_data):
#每次分别取x_data, y_data中数据来拼成x_val, y_val
y_pred_val = forward(x_val) #计算y预测
loss_val = loss(x_val, y_val) #计算损失
l_sum += loss_val #损失累加
print('\t', x_val, y_val, y_pred_val, loss_val)
print('MSE=', l_sum/3)
w_list.append(w)
mse_list.append(l_sum/3)
plt.plot(w_list,mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()
二、深度学习一般步骤
1、Dataset:导入你的数据集,这里又分为训练集和预测集
2、Model:定义你的训练模型,比如:线性,Lstm等
3、Training:训练
4、inferring:预测
三、线性模型
简单来说:就是现在拥有一串数据x,要预测出对应结果y。那么如何预测?根据选择的模型——线性模型:y=x*w,设置一个权重w。那么我们每传输一个x,乘上这次循环中设置的权重值就可以算出一个y_pre,用y_pre-y的平方就可以算出这次循环的损失值。损失值越小,权重越接近正确值,y预测也就越接近我们要的值。
其中w的值是for循环输入的,从0.0到4.0,每次循环0.1
附加:ZIP用法