python计算函数梯度的解析表达式_python实现梯度下降算法的实例详解

这里选的python版本是2.7，因为我之前用python3试了几次，发现在画3d图的时候会报错，所以改用了2.7。

数据集选择

数据集我选了一个包含两个变量，三个参数的数据集，这样可以画出3d图形对结果进行验证。

部分函数总结

symbols()函数：首先要安装sympy库才可以使用。用法：

>>> x1 = symbols('x2')

>>> x1 + 1

x2 + 1

在这个例子中，x1和x2是不一样的，x2代表的是一个函数的变量，而x1代表的是python中的一个变量，它可以表示函数的变量，也可以表示其他的任何量，它替代x2进行函数的计算。实际使用的时候我们可以将x1,x2都命名为x，但是我们要知道他们俩的区别。

再看看这个例子：

>>> x = symbols('x')

>>> expr = x + 1

>>> x = 2

>>> print(expr)

x + 1

作为python变量的x被2这个数值覆盖了，所以它现在不再表示函数变量x，而expr依然是函数变量x+1的别名，所以结果依然是x+1。

subs()函数：既然普通的方法无法为函数变量赋值，那就肯定有函数来实现这个功能，用法：

>>> (1 + x*y).subs(x, pi)#一个参数时的用法

pi*y + 1

>>> (1 + x*y).subs({x:pi, y:2})#多个参数时的用法

1 + 2*pi

diff()函数：求偏导数，用法：result=diff(fun,x)，这个就是求fun函数对x变量的偏导数，结果result也是一个变量，需要赋值才能得到准确结果。

代码实现：

from __future__ import division

from sympy import symbols, diff, expand

import numpy as np

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

data = {'x1': [100, 50, 100, 100, 50, 80, 75, 65, 90, 90],

'x2': [4, 3, 4, 2, 2, 2, 3, 4, 3, 2],

'y': [9.3, 4.8, 8.9, 6.5, 4.2, 6.2, 7.4, 6.0, 7.6, 6.1]}#初始化数据集

theta0, theta1, theta2 = symbols('theta0 theta1 theta2', real=True)  # y=theta0+theta1*x1+theta2*x2,定义参数

costfuc = 0 * theta0

for i in range(10):

costfuc += (theta0 + theta1 * data[&