PyTorch学习1：线性模型2

---

前言

如何拟合线性模型y=wx+b，拟合线性模型y=wx见：PyTorch学习1：线性模型

一、问题描述

有两组数据，x和y，根据线性模型y=wx+b拟合出合适的w值，使得模型能够较为准确反映数据变化趋势。

二、求解步骤

1.分析

定义函数forward返回估计值
定义函数loss返回均方误差
利用穷举法找到合适的w和b值
绘制三维图像观察，并输出最合适的w和b值
注意：与拟合y=wx不同的是，这里由于需要拟合两个参数，两个拟合参数加上拟合值共有三个维度，因此直接利用语句[w,b]=np.meshgrid(W,B)得到两个拟合参数的对应矩阵，函数forward和函数loss的返回值均为矩阵，直接进行矩阵的运算。

2.代码示例

代码如下（示例）：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 这里设函数为y=3x+2
x_data = [1.0,2.0,3.0]
y_data = [5.0,8.0,11.0]

def forward(x):
    return x * w + b

def loss(x,y):
    y_pred = forward(x)
    return (y_pred-y)*(y_pred-y)

mse_list = []
W=np.arange(0.0,6.0,0.1)
B=np.arange(0.0,4.1,0.1)
[w,b]=np.meshgrid(W,B)

l_sum = 0
for x_val, y_val in zip(x_data, y_data):
    y_pred_val = forward(x_val)
    print(y_pred_val)
    loss_val = loss(x_val, y_val)
    l_sum += loss_val

min_index = np.unravel_index(np.argmin(l_sum), l_sum.shape)
print('最小误差的坐标为',min_index)
print('最小误差的W,B值为',W[min_index[1]],B[min_index[0]])
print('最小误差为',l_sum[min_index[0],min_index[1]])
fig = plt.figure()
ax =fig.add_axes(Axes3D(fig))
ax.plot_surface(w, b, l_sum/3)
ax.set_xlabel('W')
ax.set_ylabel('B')
ax.set_zlabel('Loss')
plt.show()

得到如下的结果：

总结

拟合线性模型y=wx+b