本课程的主要任务是构建一个完整的线性模型:
导入numpy和matplotlib库;
导入数据 x_data 和 y_data;
定义前向传播函数:
forward:输出是预测值y_hat
定义损失函数:
loss:损失函数定义为MSE:均方根误差
创建两个空列表,因为后面绘图的时候要用:分别是横轴的w_list和纵轴的mse_list
开始计算(我觉得这里没有训练的概念,只是单纯的计算每一个数据对应的预测值,然后让预测值跟真是y值根据MSE求损失):
外层循环,创建40个横坐标自变量:用w表示; 在0.0~4.0之间均匀取点,步长0.1;内层循环:核心计算内容
从数据集中,按数据对儿取出自变量x_val和真实值y_val;先调用forward函数,计算预测值 w*x(y_hat)
调用loss函数,计算单个数据的损失数值;累加损失,并记下来(此处要提前初始化一个值为0的变量,后面才能不报错);
随意打印想要看到的内容,一般是打印x_val、y_val、loss_val;
在外层循环中(也就是每一个数据对儿计算的时候),都要把计算的结果,放进之前的空列表,用于绘图;在获得了打印所需的数据列表只有,模式化地打印图像:
plt.plot(w_list, mse_list)
plt.xlabel(‘w’)
plt.ylabel('Loss)
plt.show()
完整代码
import numpy as np
import matplotlib.pyplot as plt
# 定义输入数据
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
# 定义前向函数,用于计算给定x和权重w时的y_hat(预测值)
def forward(x):
return x * w
# 定义损失函数,计算y_hat和y之间的均方误差(MSE)损失
def loss(x, y):
y_pred = forward(x) # 计算预测值
return (y_pred - y) ** 2 # 计算并返回平方误差
w_list = [] # 存储不同权重 'w' 的列表
mse_list = [] # 存储对应的均方误差(MSE)值的列表
# 遍历权重从0.0到4.0,步长为0.1
for w in np.arange(0.0, 4.0, 0.1):
print('w=', w)
l_sum = 0 # 初始化当前 'w' 值的损失总和
# 遍历数据点,计算预测值和损失
for x_val, y_val in zip(x_data, y_data):
y_pred_val = forward(x_val) # 计算当前数据点的预测值
loss_val = loss(x_val, y_val) # 计算当前数据点的损失
l_sum += loss_val # 将损失值添加到总和中
print('\t', x_val, y_val, y_pred_val, loss_val)
# 计算当前 'w' 值的均方误差(MSE)并打印
print('MSE=', l_sum / len(x_data)) # 计算平均损失(MSE)
# 将当前 'w' 值和对应的MSE添加到列表中
w_list.append(w)
mse_list.append(l_sum / len(x_data))
# 绘制 'w' 和 MSE 之间的关系
plt.plot(w_list, mse_list)
plt.ylabel('loss') # y轴标签
plt.xlabel('w') # x轴标签
plt.show() # 显示图形
运行结果