《PyTorch深度学习实践》第二讲线性模型

最新推荐文章于 2024-07-20 23:54:27 发布

CarmenHu

最新推荐文章于 2024-07-20 23:54:27 发布

阅读量366

点赞数 9

分类专栏： PyTorch深度学习实践文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.csdn.net/weixin_45971154/article/details/136351131

版权

PyTorch深度学习实践专栏收录该内容

12 篇文章 0 订阅

订阅专栏

本文介绍了如何使用Python的numpy和matplotlib库实现线性回归模型，包括定义损失函数、使用穷举法计算不同权重参数下的均方误差(MSE)，并通过3D图展示损失函数的变化。

摘要由CSDN通过智能技术生成

import numpy as np
import matplotlib.pyplot as plt

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]


def forward(x):
    return x * w


def loss(x, y):#定义平方损失函数
    y_pred = forward(x)
    return (y_pred - y) ** 2#损失函数为y预测值-y的平方


# 穷举法
w_list = []#放入穷举的w
mse_list = []#放入对应的损失
for w in np.arange(0.0, 4.1, 0.1):#w从0开始穷举，每隔0.1取值
    print("w=", w)#打印w
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):
        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)#打印x，y，y的预测值，损失
    print('MSE=', l_sum / 3)#打印平均损失
    w_list.append(w)#放入w
    mse_list.append(l_sum / 3)#放入平均损失

plt.plot(w_list, mse_list)#画图：x轴为w_list，y轴为mse_list
plt.ylabel('Loss')#y轴标签
plt.xlabel('w')#x轴标签
plt.show()#打印图

作业：

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(0.0,4.1,0.1)
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

fig = plt.figure()
ax =fig.add_axes(Axes3D(fig))
ax.plot_surface(w, b, l_sum/3)
plt.show()