import numpy as np
import matplotlib.pyplot as plt
# 数据集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
# 假设函数是一元一次线性方程,且b=0
# 这里的w也可以作为函数的输入
def forward(x):
return x * w
# 损失函数
def loss(x, y):
y_pred = forward(x) # 用假设的函数计算得到函数预测值,即是y_pred
return (y_pred - y) * (y_pred - y) # 返回预测值与真实值差的平方
w_list = [] # 记录权重
mse_list = [] # 计算均方误差
for w in np.arange(0.0, 4.1, 0.1): # 以间隔为0.1,遍历0~4.1之间的数
print('w=', w)
l_sum = 0 # 记录损失值的和
for x_val, y_val in zip(x_data, y_data): # 依次遍历每一个样本
y_pred_val = forward(x_val)
loss_val = loss(x_val, y_val)
l_sum += loss_val
print('\t', x_val, y_val, y_pred_val, loss_val) # 缩进4个位置,并依次打印真实x、真实y、预测y、损失值
print('MSE=', l_sum / 3) # 总损失值除以样本数得到平均损失
w_list.append(w)
mse_list.append(l_sum / 3)
plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()
运行结果
课后作业
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 数据集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
# 假设函数是一元一次线性方程,且b=0
# 这里的w也可以作为函数的输入
def forward(x, w, b):
return x * w + b
# 损失函数
def loss(y_pred, y):
return (y_pred - y) * (y_pred - y) # 返回预测值与真实值差的平方
mse_list = [] # 计算均方误差
w_cor = np.arange(0.0,4.1,0.1)
b_cor = np.arange(-2.1,2.1,0.1)
w, b = np.meshgrid(w_cor, b_cor)
l_sum = 0 # 记录损失值的和
for x_val, y_val in zip(x_data, y_data): # 依次遍历每一个样本
y_pred_val = forward(x_val, w, b) # 这里的w和b应该是矩阵,所以输出的预测y也是矩阵形式,
# 后面的损失函数之类的都是矩阵,即实现了一个样本x,y得到所有w和b取值下的损失值
print(f'y_pred_val={y_pred_val}')
loss_val = loss(y_pred_val, y_val)
l_sum += loss_val
# print('\t', x_val, y_val, y_pred_val, loss_val) # 缩进4个位置,并依次打印真实x、真实y、预测y、损失值
# print('MSE=', l_sum / 3) # 总损失值除以样本数得到平均损失
fig = plt.figure()
# ax = Axes3D(fig) # 这一句貌似画不出图像来,看评论区可以用下面一句代替即可
ax = fig.add_axes(Axes3D(fig))
plt.xlabel(r'w', fontsize=20, color='cyan')
plt.ylabel(r'b', fontsize=20, color='cyan')
ax.plot_surface(w, b, l_sum / 3, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
plt.show()