深度学习-梯度下降算法代码实现

本文通过一个简单的线性回归示例介绍了如何使用梯度下降法来调整权重参数以最小化损失函数。示例中定义了前向传播、成本计算及梯度计算等函数,并通过迭代更新权重来实现模型训练。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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

def forward(x):
    return x * w
 
def cost(xs, ys):
    cost = 0
    for x, y in zip(xs, ys):
        y_p = forward(x)
        cost += (y_p - y) ** 2
    return cost / len(xs)
    
def gradint(xs, ys):
    grad = 0
    for x, y in zip(xs, ys):
        grad += 2 * x * (x * w - y)
    return grad / len(xs)
for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradint(x_data, y_data)
    w -= 0.01 * grad_val
plt.plot(w_list,mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()  

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值