机器学习——2.损失函数loss

基本概念

损失函数也叫代价函数。损失函数就是计算预测结果和实际结果差距的函数,机器学习的过程就是试图将损失函数的值降到最小

图左:|t_p - t_c|             图右:(t_p - t_c)**2

代码实现

过程推导

训练数据:

t_c = [0.5,14.0,15.0,28.0,11.0,8.0,3.0,-4.0,6.0,13.0,21.0]
t_u = [35.7,55.9,58.2,81.9,56.3,48.9,33.9,21.8,48.4,60.4,68.4]

通过散点图观察到训练数据与真值对应关系是线性变化,我们假设该方程为:y=wx+b

由此可以定义一个模型:

# 定义模型,假设这是一个简单的线性模型
def model(t_c,w,b):
    return t_c*w+b

我们需要计算预测值与真实值的差距(损失函数)来更新w和b的参数,来找到最适合的w和b值。

# 定义损失计算函数
def loss_fn(t_p,t_c):
    return ((t_p-t_c)**2).mean()

计算损失:

w = torch.ones(())
b = torch.zeros(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u)
# loss tensor(1763.8848)

手动更新损失降损失降低至最小:

w = torch.ones(())
b = torch.ones(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u)
# loss tensor(1682.2847)

完整代码

import torch
import numpy as np
import matplotlib.pyplot as plt
# 训练数据
t_c = [0.5,14.0,15.0,28.0,11.0,8.0,3.0,-4.0,6.0,13.0,21.0]
# 对应真值
t_u = [35.7,55.9,58.2,81.9,56.3,48.9,33.9,21.8,48.4,60.4,68.4]
t_c = torch.tensor(t_c)
t_u = torch.tensor(t_u)
# 数据观察
# plt.scatter绘制散点图,参数C是点的颜色,edgecolors是点的边框颜色
plt.scatter(t_c,t_u,c='r',edgecolors='g')
# 定义模型,假设这是一个简单的线性模型
def model(t_c,w,b):
    return t_c*w+b
# 定义损失计算函数
def loss_fn(t_p,t_c):
    return ((t_p-t_c)**2).mean()

# 计算损失
w = torch.ones(())
b = torch.zeros(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u) # tensor(1763.8848)


# 手动更新损失
w = torch.ones(())
b = torch.ones(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u) # tensor(1682.2847)
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值