深度学习实战之线性回归1

线性回归简析

我理解的线性回归就是，比较简单的一维的线性回归，所要求解的方程就是ｙ＝ｗｘ＋ｂ
你要做的就是不断的学习数据集，不断的更新w和b，让损失函数越小越好。
损失函数便是你程序求得的结果和标准结果之间的误差，损失函数具体公式如下：

w值梯度下降公式：w'=w-学习速率*斜率

b值梯度下降公式：b'=b-学习速率*斜率

绘制的数据集图像：

# 线性回归：y=0.3x+0.7
import numpy as np
import matplotlib.pyplot as plt
import time

# 损失函数
def data_loss(w, b, dataSet):
    loss = 0
    for i in range(len(dataSet)):
        x = dataSet[i][0]
        y = dataSet[i][1]
        loss += (w * x + b - y) ** 2
        loss /= float(len(dataSet))
    return loss

# 更新w和b
def update_w_b(w, b, learningRate, dataSet):
    wSlope = 0.0
    bSlope = 0.0
    for i in range(len(dataSet)):
        xi = dataSet[i][0]
        yi = dataSet[i][1]
        # 计算w和b的斜率
        wSlope += 2 * (w * xi + b - yi) * xi / float(len(dataSet))
        bSlope += 2 * (w * xi + b - yi) / float(len(dataSet))
    # 计算学习过一边之后的w，b，并返回，，具体推导公式看代码区上边
    w1=w-learningRate*wSlope
    b1=b-learningRate*bSlope
    # 返回更新后的w和b
    return [w1,b1]

def run_study(learningRate, dataSet, studyNum, w, b):
    w1=w
    b1=b
    for i in range(studyNum):
        # 传参一定要注意，要传w1,b1，这样才能学习
        w1, b1 = update_w_b(w1, b1, learningRate, dataSet)
        print("--------------------------------------")
        print("Study {0}:\nw={1}\nb={2}\ndata_loss={3}"
              .format(i + 1, w1, b1, data_loss(w1, b1, dataSet)))


if __name__ == '__main__':
    # 定义一个计时器
    tic=time.time()
    # 学习速率
    learningRate = 0.002
    # 学习次数
    studyNum = 2000
    # 数据集
    dataSet = []

    # 构造线性方程
    for i in range(studyNum):
        x = np.random.normal(0.0, 1)
        # 要学习的线性方程：y=0.3x+0.7
        y = 0.3 * x + 0.7 + np.random.normal(0, 0.03)
        dataSet.append([x, y])

    # 打印一下看看数据集效果
    xData = [i[0] for i in dataSet]
    yData = [i[1] for i in dataSet]
    plt.scatter(xData, yData)
    plt.show()

    # 开始学习
    run_study(learningRate, dataSet,studyNum,  0, 0)
    # 记录学习用时
    toc=time.time()
    print("Time : "+str(1000*(toc-tic))+"ms")

# 最终结果：
# Study 2000:
# w=0.29921579295614104
# b=0.699757591874389
# data_loss=2.8178229011593263e-07
# Time : 5248.762607574463ms