第2讲 linear_model 源代码
B站 刘二大人 ,传送门 《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili
代码说明:
1.此代码就是求均方方差的一个过程
2、for循环中,使用了np.arange,第一个参数是起点,第二个是终点,第三个是步长。
3、python中zip()函数的用法,Python 函数 | zip 函数详解_Amo Xiang的博客-CSDN博客_zip函数
import numpy as np //引用numpy包
import matplotlib.pyplot as plt //引用matplotlib画图
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
def forward(x):
return x*w //简化后的y=x*w
def loss(x, y):
y_pred =forward(x) // 此处y_pred类似于y-hat
return (y_pred - y)*(y_pred - y) //loss的公式loss=(x*w-y)*(x*w-y)
w_list = []
mse_list = [] //给横丛坐标设置列表
for w in np.arange(0.0, 4.1, 0.1): //权重范围:起点0.0,终点4.1,步长0.1
print("w=", w) //打印每次的权重w
l_sum = 0 //设置loss初始值为0
for x_val, y_val in zip(x_data, y_data): //将x,y的值在给定的目标x,y中进行迭代
y_pred_val = forward(x_val) //y-hat值等于x*w的值
loss_val = loss(x_val, y_val) //loss的值等于(x_val*w-y_val)*(x_val*w-y_val)
l_sum +=loss_val //将每次的loss值相加放在l_sum中
print('\t', x_val, y_val, y_pred_val, loss_val)
print('MSE=', l_sum/3) //求得平均损失值
w_list.append(w)
mse_list.append(l_sum/3) //在两个列表中分别加入w和loss的平均值
plt.plot(w_list, mse_list) //plot中的两个值为w_list, mse_list
plt.ylabel('LOSS')
plt.xlabel('w')
plt.show()
目标:使得mse(mean square error)平均平方误差最小