PyTorch深度学习-线性模型

视频连接 - 刘二大人：https://www.bilibili.com/video/BV1Y7411d7Ys
学习步骤：
1. DataSet 准备数据集
2. Model 模型的选择或设计
3. training 大部分模型都需要进行训练
例子：

Supervised learning

数据集能否将分布D(x, y)表示出来
Training Set（训练集）
 x：1 y：2
 x：2 y：4
 x：3 y：6
 Test Set（测试集）
 x：4 y：?(已知的，要与测试的结果进行对比)

模型设计：（找到y=f(x)函数，函数类型是多样的）

常用模型：
1.线性模型（最基本的）
Linear Model (线性模型)：y = x * w + b（确定 w b的值）
evaluate Model error（评估模型）：
Training Loss (Error) loss和cost公式如下：

找最优权重w的值：
1.穷举法
首先，经过测试w在某个区间可能存在最优解
则可以将区间的所有取值都计算一下损失(loss),可以得到一个曲线，曲线的最低点即是最优的权重w
代码实现部分如下：

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):
    y_pred = forward(x)
    return (y_pred - y) * (y_pred - y)

w_list = []
mse_list = []
for w in np.arange(0.0, 4.1, 0.1):
    print('w =', 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)
    print('MSE = ', l_sum / 3)
    w_list.append(w)
    mse_list.append(l_sum / 3)
plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

可以画出损失函数为：

线性模型作业

作业题目：实现线性模型（y = w * x + b）并输出loss的3D图像。
实现代码：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# y = 2 * x + 1
x_data = [1.0, 2.0, 3.0]
y_data = [3.0, 5.0, 7.0]

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_list = np.arange(0.0, 4.1, 0.1)
b_list = np.arange(0.0, 4.1, 0.1)
[w, b] = np.meshgrid(w_list, b_list)

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

# 绘制图片
fig = plt.figure()

# 设置为3D图片类型
ax3d =fig.add_axes(Axes3D(fig))
ax3d.set_xlabel("w")
ax3d.set_ylabel("b")
ax3d.set_zlabel("Loss")
ax3d.plot_surface(w, b, l_sum/3)
plt.show()

ax3d = Axes3D(fig)# 画不出图片可以改为
ax3d =fig.add_axes(Axes3D(fig))