pytorch深度学习入门 第2讲（线性模型）

学习内容：B站 刘二大人 《pytorch深度学习实践》课程系列
 

模型：y=w*x  (为了简便，去掉了偏置b)

数据：

x_data	y_data
1.0	2.0
2.0	4.0
3.0	6.0
4.0	?

问题：如何使用线性模型y = w*x 来预测x_data = 4.0 时 ， y_data的值？？？

解决思路：

在一定空间内搜索w的值，使得目标函数cost最小！！！

        本讲暂时没有采用pytorch的代码，而是使用简单的逻辑代码解决。它是将w限定在一个范围内，采用枚举的方法遍历w，每一个wi，对应一个model ：y = wi*x , 这样对应一个预测值 y_hat。y_hat与真实标签y之间的差值作为误差，为了使误差都大于零，改用（y_hat - y）^2。实际过程中使用MSE作为目标函数，来评估模型的好坏，MSE越小，模型越好。

MSE - - Mean Square Error("均方误差")

代码：

import numpy as np
import matplotlib.pyplot as plt

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

#模型
def forward(x):
    return x*w

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

w_list = []
mse_list = []
for w in np.arange(0.0,4.1,0.1):
    print('w=',w)
    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
        print('\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)

#画Loss-w图
plt.plot(w_list,mse_list)
plt.xlabel('w')
plt.ylabel('Loss')
plt.show()

 损失函数随着w权重的变化曲线，如下图：

小结：这种方式，只是一个入门过渡，以后的代码不这样写！ 

真的忍不住说一下，这个课真的很不错，适合入门，笔记是回来写的，但是视频中教的内容毕竟有限，还需要自己多去涉猎涉猎！