PyTorch深度学习实践第二讲——线性模型

线性模型(Linear Model)

任务说明：创建三个数据点，用线性模型对数据进行拟合，模型参数(w, b)的确定采用穷举法，计算损失函数mse，将每对(w，b)的mse显示出来，最后绘制(w,b,mse)三维曲线图，确定最优的线性模型。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm

train_x = [1.0, 2.0, 3.0]
train_y = [2.0, 4.0, 6.0]
def predict(x):
    return w * x + b
def loss(x, y):
    pred_y = predict(x)
    return (y - pred_y)*(y - pred_y)


W = np.arange(0, 4.1, 0.1)
B = np.arange(-0.5, 0.6, 0.1)
w_matrix, b_matrix = np.meshgrid(W, B)
mse_matrix = np.zeros([w_matrix.shape[0], w_matrix.shape[1]])

for i in range(w_matrix.shape[0]):
    for j in range(w_matrix.shape[1]):
        w, b = w_matrix[i][j], b_matrix[i][j]
        print("w ={0} b = {1}".format(w, b))
        total_loss = 0.0
        for x_val, y_val in zip(train_x, train_y):
            y_pred = predict(x_val)
            loss_n = loss(x_val, y_val)
            print("\t", x_val, y_val, y_pred, loss_n)
            total_loss += loss_n
        print("mse = {}".format(total_loss / 3))
        print("----------------------------")
        mse_matrix[i][j] = total_loss / 3

print(np.where(mse_matrix==np.min(mse_matrix))) #找到mse最小值的索引
# print(mse_matrix[5][20])
# print(w_matrix[5][20])
# print(b_matrix[5][20])

#绘制三维图
fig = plt.figure()
ax = fig.gca(projection='3d')
plt.xlabel('w')
plt.ylabel('b')
ax.plot_surface(w_matrix, b_matrix, mse_matrix,rstride=1, cstride=1, cmap=cm.coolwarm,linewidth=0, antialiased=False)
plt.show()

前面mse的计算没有特别说明的，注意使用plot_surface绘制三维图时，要求mse必须是二维数据，开始的思路是先用列表存储w,b和mse的值，再使用meshgrid()创建W和B，最后将mse转换为二维数据，但是这个过程中由于W和B是由生成的列表转化而来，不仅矩阵很大，而且数据的排列顺序发生变化，导致mse矩阵的生成比较麻烦(这里应该有好方法)，因此想到先将w和b也转化为二维，采用meshgrid()函数，直接用其中的值计算mse矩阵。（这里处理的比较笨，但还是能够完成任务的。）

W = np.arange(0, 4.1, 0.1)
B = np.arange(-0.5, 0.6, 0.1)
w_matrix, b_matrix = np.meshgrid(W, B)
mse_matrix = np.zeros([w_matrix.shape[0], w_matrix.shape[1]])

最终绘制出的三维图效果：