PyTorch深度学习实践-P2线性模型

• 1dataset
• 2model
• 3training
• 4infering
• 假设数据集如下
•  模型知道输入值对应的输出值，就叫监督学习，模型可以根据输出和预测之间的差异对模型进行调整
• 数据集一般分为训练training集 可以看到（x,y）、测试test集只能看到x，若数据较少则把数据集分为两份，一份训练，一份评估~开发集Dev
• 线性模型:
• w系统随机猜测

•  损失函数：
•  MSE均方误差：
•  得到结果 w=2时，损失最小

完整代码： 

#线性模型
import numpy as np
import matplotlib.pyplot as plt
#prepare dataset
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

#线性函数y_hat=x*w
def forward(x):
    return x * w

#define loss function
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

# 穷举法 w_list save the weights,mse_list save the cost valusesof each w
w_list = []
mse_list = []
#compute cost valuse at[0.0,0.1,0.2...,4.0]
for w in np.arange(0.0, 4.1, 0.1):
    print("w=", w)
    l_sum = 0
    #把x_dta,y_data拿出来用zip拼成x_val,y_val
    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)
    #save w and correspondence MSE
    w_list.append(w)
    mse_list.append(l_sum / 3)
#draw graph
plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

•   补充zip函数
• python中zip()函数的用法_张康的博客-CSDN博客_python zip

import numpy as npa=[1,2,3,4,5]
b=(1,2,3,4,5)
c=np.arange(5)
d="zhang"
zz=zip(a,b,c,d)
print(zz)

输出：
[(1, 1, 0, 'z'), (2, 2, 1, 'h'), (3, 3, 2, 'a'), (4, 4, 3, 'n'), (5, 5, 4, 'g')]
————————————————
版权声明：本文为CSDN博主「neu_张康」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/csdn15698845876/article/details/73411541

• np.arrange()
•  和python中的range类似，但是range不支持浮点数类型，所以这里要借用numpy的arange()函数

  作业：

link： The mplot3d Toolkit — Matplotlib 3.4.3 documentation

代码：

import matplotlib.pyplot as plt
import numpy as np

x_data=[1.0,2.0,3.0,4.0]
y_data=[2.0,4.0,6.0,9.0]

def forward(x):
    return x*W+B

def loss(x,y):
    y_pred=forward(x)
    return (y_pred-y)**2

w=np.arange(0.0,4.1,0.1)
b=np.arange(0.0,2.1,0.1)
#w,b变成二维矩阵
[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)
    loss_val=loss(x_val,y_val)
    l_sum+=loss_val

# 引入matplotlib 3D画图
fig = plt.figure()
ax = fig.add_subplot(projection='3d')
#使用plot_surface绘制三维图时，要求mse必须是二维数据
ax.plot_surface(W,B,l_sum/3)
plt.show()

 结果：

注意：画3D曲面图的时候，传入的参数必须是：数据值或者是二维矩阵

     针对本题，传入的 w、b 都是一列数据，利用np.meshgrid（）函数将 w、b两列数据转化成二维矩阵，而后再传入参数

 代码中有些参考了别的up主 ~ 再次表示感谢，如有冒犯请联系我删除~