Mxnet (2): 线性回归(linear regression)

0. 准备

依赖：

• python=3.6
• mxnet-cu102==1.7.0
• jupyter==1.0.0
• plotly==4.10.0

模块使用

import mxnet as mx
from mxnet import autograd, nd
import random
from plotly.offline import plot, init_notebook_mode
import plotly.graph_objs as go
init_notebook_mode(connected=False)

gpu使用

ctx = mx.gpu() if (mx.context.num_gpus()) > 0 else mx.cpu()

1.数据准备

• 模拟一个方程 z = 4.22a - 6.11b + 2.1，为了模拟数据集，添加白噪声，服从均值为0,标准差为0.02的正太分布

Ws_raw = [4.22, -6.11]
b_raw = 2.1
feature_num = len(Ws_raw)
sample_num = 1000

• 根据特征数和样本数量生成一组服从均值为0,标准差为2的正太分布测试数据

features = nd.random.normal(scale=2, shape=(sample_num, feature_num),ctx = ctx)

• 根据公式求出label，也就是公式中的值

w1, w2 = Ws_raw
labels = w1*features[:, 0] + w2*features[:, 1] + b_raw + nd.random.normal(scale=0.02, shape=(sample_num,), ctx=ctx)

1.1 对数据进行可视化

trace = go.Scatter3d(
    x=features[:,0].asnumpy(),
    y=features[:,1].asnumpy(),
    z=labels.asnumpy(),
    mode='markers',
    marker=dict