PyTorch深度学习实践——梯度下降算法

梯度下降算法代码如下：（增加绘图代码）

import matplotlib.pyplot as plt

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

w = 1.0  # 设置初始权重


def forward(x):  # 定义前馈函数
    return x * w


def cost(xs, ys):  # 定义损失函数
    cost = 0
    for x, y in zip(xs, ys):
        y_pred = forward(x)  # 计算预测的y值
        cost += (y_pred - y) ** 2  # 计算损失函数
    return cost / len(xs)  # 计算平均损失


def gradient(xs, ys):  # 定义梯度函数
    grad = 0
    for x, y in zip(xs, ys):
        grad += 2 * x * (x * w - y)  # 对损失函数求导得到梯度，针对x和y取不同值有一个累加过程
    return grad / len(xs)


epoch_list = []
cost_list = []

print('Predict (before training)', 4, forward(4))
for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradient(x_data, y_data)
    w -= 0.01 * grad_val  # 0.01是学习率，通过这个核心算式进行迭代
    print('Epoch:', epoch, 'w=', w, 'cost=', cost_val)
    epoch_list.append(epoch)