機器學習過程中經常需要可視化，有助于加強對模型和參數的理解。

• 下面對梯度下降過程進行動圖演示，可以修改不同的學習率，觀看效果。

import numpy as np import matplotlib.pyplot as plt from IPython import displayX = 2*np.random.rand(100,1) y = 4+3*X+np.random.randn(100,1) # randn正態分布 X_b = np.c_[np.ones((100,1)),X] # c_行數相等，左右拼接eta = 0.1 # 學習率 n_iter = 1000 # 迭代次數 m = 100 # 樣本點個數 theta = np.random.randn(2,1) # 參數初始值plt.figure(figsize=(8,6)) mngr = plt.get_current_fig_manager() # 獲取當前figure manager mngr.window.wm_geometry("+520+520") # 調整窗口在屏幕上彈出的位置，注意寫在打開交互模式之前 # 上面固定窗口，方便screentogif定位錄制，只會這種弱弱的方法 plt.ion()# 打開交互模式 plt.rcParams["font.sans-serif"] = "SimHei"# 消除中文亂碼for iter in range(n_iter):plt.cla() # 清除原圖像gradients = 2/m*X_b.T.dot(X_b.dot(theta)-y)theta = theta - eta*gradientsX_new = np.array([[0],[2]])X_new_b = np.c_[np.ones((2,1)),X_new]y_pred = X_new_b.dot(theta)plt.axis([0,2,0,15])plt.plot(X,y,"b.")plt.plot(X_new,y_pred,"r-")plt.title("學習率：{:.2f}".format(eta))plt.pause(0.3) # 暫停一會display.clear_output(wait=True)# 刷新圖像plt.ioff()# 關閉交互模式 plt.show()

學習率：0.1，較合適

學習率：0.02，收斂變慢了

學習率：0.45，在最佳參數附近震蕩

學習率：0.5，不收斂

---

我的CSDN博客地址 https://michael.blog.csdn.net/

長按或掃碼關注我的公眾號（Michael阿明），一起加油、一起學習進步！

總結

以上是生活随笔為你收集整理的matplotlib 绘制梯度下降求解过程的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。