最終還是要學(xué)Pytorch，Tensorflow也很好，不過對于做研究來講，還是有些許的不足，這算是Pytorch的一個(gè)入門吧。
針對y=w*x這樣一個(gè)線性模型，利用窮舉法去線性的模擬這個(gè)直線。雖然這一章并沒有真的用到Pytorch的具體內(nèi)容，不過這算是深度學(xué)習(xí)的一個(gè)入門。
代碼如下：

import numpy as np import matplotlib.pyplot as plt #y = 2*x x_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6.0]def forward(x):#根據(jù)窮舉出來的w，計(jì)算在該w的情況下得到的y'return x*w def loss(x,y):#根據(jù)得到的y'，計(jì)算loss值y_pred = forward(x)return (y-y_pred)**2 #窮舉法 w_list = [] mse_list = [] for w in np.arange(0.0,4.1,0.1):#以0.1為間隔，窮舉wprint("w=",w)l_sum=0for 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_valprint('\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()

最終得到的結(jié)果如下：

在w=2的時(shí)候，Loss值達(dá)到最小。
課后作業(yè)：
針對y=w*x+b，同樣利用上述方法，得到一個(gè)近似的線性模型。
代碼如下（參考鏈接）：

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D#假設(shè)函數(shù)為y=2x+3 x_data = [1.0,2.0,3.0] y_data = [5.0,7.0,9.0]def forward(x):return x*w+b def loss(x,y):y_pred = forward(x)return (y_pred-y)**2mse_list = [] W = np.arange(0.0,4.1,0.1) B = np.arange(0.0,4.1,0.1) [w,b] = np.meshgrid(W,B)l_sum = 0 for x_val,y_val in zip(x_data,y_data):loss_val = loss(x_val,y_val)l_sum+=loss_valfig = plt.figure() ax = Axes3D(fig) ax.plot_surface(w,b,l_sum/3) plt.show()

對代碼有疑問的，可以查看一下np.meshgrid這個(gè)函數(shù)的用法。它的返回值是兩個(gè)矩陣，在本樣例中就是兩個(gè)41*41的矩陣。在后面的運(yùn)算中也都是矩陣在運(yùn)算.
最終結(jié)果如下所示：

努力加油a啊

總結(jié)

以上是生活随笔為你收集整理的Pytorch(一) --线性模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。