《PyTorch深度学习实践》第2讲--线性模型

《PyTorch 深度学习实践》–线性模型

y=wx 代码实现

# 课堂练习
import numpy as np
import matplotlib.pyplot as plt
# step1 准备数据集
x_data=[1.0,2.0,3.0]
y_data=[2.0,4.0,6.0]
x_num=len(x_data) #样本总数
# step2 选择模型 y=wx
# 前向传播
def forward(x):
    return w*x
# 定义损失函数
def loss(x,y):
    y_pred=forward(x)
    return (y_pred-y)**2
# step3 模型训练
w_list=[] 
loss_list=[]
# 从0.0一直到4.1以0.1为间隔进行w的取值
for w in np.arange(0.0,4.1,0.1):
    print('w={}'.format(w))
    w_list.append(w)
    loss_run=0
    for x_val,y_val in zip(x_data,y_data):
        y_pred=forward(x_val)
        loss_run+=loss(x_val,y_val)
        print('\t',x_val,y_val,y_pred,loss_run)
    print('整体损失total_loss:{}'.format(loss_run/x_num))
    loss_list.append(loss_run/x_num)
# 绘图
plt.figure()
plt.plot(w_list,loss_list,'m',linewidth=4)
plt.title('Loss')
plt.xlabel('w')
plt.ylabel('loss')
plt.show()

y=wx+b 代码实现

# 课后习题
import numpy as np
import matplotlib.pyplot as plt
# step1 准备数据集
x_data=[1.0,2.0,3.0]
y_data=[2.0,4.0,6.0]
x_num=len(x_data) #样本总数
# step2 选择模型 y=wx+b
# 前向传播
def forward(x):
    return w*x+b
# 定义损失函数
def loss(x,y):
    y_pred=forward(x)
    return (y_pred-y)**2
# step3 模型训练
#构造二维网络 使用穷举法
W=np.arange(0.0,4.1,0.1)
B=np.arange(-1.0,1.1,0.1)
[w,b]=np.meshgrid(W,B)
loss_run=0
for x_val,y_val in zip(x_data,y_data):
    y_pred=forward(x_val)
    loss_run+=loss(x_val,y_val)
        
#引入 matplotlib 3D画图
fig=plt.figure(figsize=(10,6))
ax=fig.add_subplot(projection='3d')
ax.plot_surface(w,b,loss_run/x_num,rstride=1,  # retride(row)指定行的跨度
                cstride=1,  # retride(column)指定列的跨度
                cmap='rainbow') # 设置颜色映射 
plt.xlabel('w')
plt.ylabel('b')
ax.set_title('Cost Value')
plt.show()

参考资料

《PyTorch 深度学习实践》: https://www.bilibili.com/video/BV1Y7411d7Ys?p=2&vd_source=435453f6c8cc1940667595c415308e92