目录
利用梯度下降法进行多变量线性回归
注意
对于多变量的线性回归而言，它本身和单变量的线性回归的实现思路没什么区别，只是在某些细节方面有些小差别。
对于单变量线性回归，之前的博客已经给出了完整的实现思路，详情请见：深度学习之梯度，梯度下降法以及使用梯度下降法实现线性回归代码实例（完整代码）
还有顺序实现，封装类实现，调用现成模型实现，三种实现的代码，见这篇博客：
对于多变量的线性回归而言，它和单变量线性回归的区别就是变量的数量区别。
我们知道在数据集中有多个样本，一个样本里面有多个特征。
单变量相当于一个样本一个特征，而多变量相当于一个样本多个特征。
而对于线性回归而言，单变量线性回归对应的参数应当只有一个，而多变量线性回归对应的参数应当是有多个。（线性回归是什么在上面给的第一个链接里有讲）
代码实现
导入库
import numpy as np
from matplotlib import pyplot as plt, font_manager
建立数据集（我这里使用的是三个变量）
x=np.array([[0.180,0.001*1,0.001*4],[0.100,0.001*2,0.001*2],
[0.160,0.001*3,0.001*4],[0.080,0.001*4,0.001*2],
[0.090,0.001*5,0.001*2],[0.110,0.001*6,0.001*3],
[0.120,0.001*7,0.001*3],[0.170,0.00*8,0.001*4],
[0.150,0.001*9,0.001*4],[0.140,0.001*10,0.001*4],
[0.130,0.001*11,0.001*3]])
#print(x)
#print(x.shape) (11, 2)
#print(x.T)
#[[0.18 0.1 0.16 0.08 0.09 0.11 0.12 0.17 0.15 0.14 0.13 ]
#[0.001 0.002 0.003 0.004 0.005 0.006 0.007 0. 0.009 0.01 0.011]]
#数据集的target
#y:两个变量x对应的标签
# y=np.array([[0.180+0.001*1,0.100+0.001*2,
# 0.160+0.001*3,0.080+0.001*4,
# 0.090+0.001*5,0.110+0.001*6,
# 0.120+0.001*7,0.170+0.00*8,
# 0.150+0.001*9,0.140+0.001*10,
# 0.130+0.001*11]])
#y：三个变量x对应的标签
y=np.array([[0.180+0.001*1+0.001*4,0.100+0.001*2+0.001*2,
0.160+0.001*3+0.001*4,0.080+0.001*4+0.001*2,
0.090+0.001*5+0.001*3,0.110+0.001*6+0.001*3,
0.120+0.001*7+0.001*3,0.170+0.00*8+0.001*4,
0.150+0.001*9+0.001*4,0.140+0.001*10+0.001*4,
0.130+0.001*11+0.001*3]])参数的定义或者说初始化
w=np.array([[0.5214,0.5215,0.5215]])（这里我们也可以初始化其他值）
线性模型的初始化
def moudle(w,x):
return np.matmul(w,x.T)
pre_y=moudle(w,x)损失函数的初始化
def Loss(pre_y,y):
return 0.5*np.sum((pre_y-y)**2)
loss=Loss(pre_y,y)一些超参数以及参数的定义
Ir=0.01#学习率
bath=101#训练批次
epoches=101#每批次的训练次数
a=0#训练的次数记录训练模型
for n1 in range(1,bath):
for n2 in range(1,epoches):
a=a+1
w_grad=np.mean(np.matmul((pre_y-y),x))
w=w-Ir*w_grad
pre_y = moudle(w, x)
loss=Loss(pre_y,y)
print("训练{0}次，w：{1}，loss：{2}，w_grad:{3} ，pre_y：{4}".format(a,w,loss,w_grad,pre_y))疑难点
在这里有一个疑难点，在上之前的博客中遇到类似的但是没有做出解释，那就是：
w_grad=np.mean(np.matmul((pre_y-y),x))显而易见，这里求的是我们的参数的梯度，但是为什么我们要用一个mean（）函数，我们知道该函数的作用是求平均值，在该模型里面的作用就是求解所有样本梯度的平均值，可是为什么会这样呢？
我们要从我们的损失函数考虑
下面是我们的损失函数
def Loss(pre_y,y):
return 0.5*np.sum((pre_y-y)**2)
loss=Loss(pre_y,y)接下来因为打字不方便，我在草稿纸上进行了公式的推演：
（字不好看，请见谅）
通过以上的算式我们知道每个样本点都会产生一个梯度向量，最优的结果是所有梯度向量的和。我们知道，梯度是有方向的，如果把梯度向量比喻成一个作用力的话，最终的梯度方向就是它们的合力，而我们直接相加然后求平均值，所得到的方向和所有梯度向量和的方向是一致的，只不过是数值不一样。
那为什么要求平均值呢，我们直接相加，把学习率调小一点不就好了？
在我们的深度学习中，我们有了很多个样本，而目标函数往往就是在每个样本上的loss求平均，由此我们根据数学公式推到梯度，就成了把各个样本点的梯度相加然后求平均值。也即是经验而言，当然我们这里的损失函数并不是平均loss函数
所以我们用到了mean（）函数。
好了疑难点到这里我们应该也就明白了。
完整代码
import torch
import numpy as np
from matplotlib import pyplot as plt, font_manager
print('利用梯度下降法进行多变量线性回归-------------------------------')
#数据集的data
#x，两个变量：
# x=np.array([[0.180,0.001*1],[0.100,0.001*2],
# [0.160,0.001*3],[0.080,0.001*4],
# [0.090,0.001*5],[0.110,0.001*6],
# [0.120,0.001*7],[0.170,0.00*8],
# [0.150,0.001*9],[0.140,0.001*10],
# [0.130,0.001*11]])
#x，三个变量
x=np.array([[0.180,0.001*1,0.001*4],[0.100,0.001*2,0.001*2],
[0.160,0.001*3,0.001*4],[0.080,0.001*4,0.001*2],
[0.090,0.001*5,0.001*2],[0.110,0.001*6,0.001*3],
[0.120,0.001*7,0.001*3],[0.170,0.00*8,0.001*4],
[0.150,0.001*9,0.001*4],[0.140,0.001*10,0.001*4],
[0.130,0.001*11,0.001*3]])
#print(x)
#print(x.shape) (11, 2)
#print(x.T)
#[[0.18 0.1 0.16 0.08 0.09 0.11 0.12 0.17 0.15 0.14 0.13 ]
#[0.001 0.002 0.003 0.004 0.005 0.006 0.007 0. 0.009 0.01 0.011]]
#数据集的target
#y:两个变量x对应的标签
# y=np.array([[0.180+0.001*1,0.100+0.001*2,
# 0.160+0.001*3,0.080+0.001*4,
# 0.090+0.001*5,0.110+0.001*6,
# 0.120+0.001*7,0.170+0.00*8,
# 0.150+0.001*9,0.140+0.001*10,
# 0.130+0.001*11]])
#y：三个变量x对应的标签
y=np.array([[0.180+0.001*1+0.001*4,0.100+0.001*2+0.001*2,
0.160+0.001*3+0.001*4,0.080+0.001*4+0.001*2,
0.090+0.001*5+0.001*3,0.110+0.001*6+0.001*3,
0.120+0.001*7+0.001*3,0.170+0.00*8+0.001*4,
0.150+0.001*9+0.001*4,0.140+0.001*10+0.001*4,
0.130+0.001*11+0.001*3]])
Ir=0.01#学习率
bath=101#训练批次
epoches=101#每批次的训练次数
a=0#训练的次数记录
# w=np.array([[0.5214,0.5215]])
w=np.array([[0.5214,0.5215,0.5215]])
#模型的定义
def moudle(w,x):
return np.matmul(w,x.T)
pre_y=moudle(w,x)
#损失函数的定义
def Loss(pre_y,y):
return 0.5*np.sum((pre_y-y)**2)
loss=Loss(pre_y,y)
w_grad=0
lista=[]
listl=[]
for n1 in range(1,bath):
for n2 in range(1,epoches):
a=a+1
w_grad=np.mean(np.matmul((pre_y-y),x))
w=w-Ir*w_grad
pre_y = moudle(w, x)
loss=Loss(pre_y,y)
print("训练{0}次，w：{1}，loss：{2}，w_grad:{3} ，pre_y：{4}".format(a,w,loss,w_grad,pre_y))
lista.append(a)
listl.append(loss)
plt.plot(lista,listl)
font = font_manager.FontProperties(fname="C:\\Users\\ASUS\\Desktop\\Fonts\\STZHONGS.TTF")
plt.title('循环次数和损失值的对应关系', fontproperties=font, fontsize=18)
plt.show()
print(w)
pre_y=moudle(w,x)
print('预测：',pre_y)
print('真实值：',y)
运行结果
D:\Anaconda3\envs\pytorch\python.exe D:\learn_pytorch\学习过程\第二周的代码\代码一.py
利用梯度下降法进行多变量线性回归-------------------------------
训练100次，w：[[0.55559445 0.55569445 0.55569445]]，loss：0.021974298474245143，w_grad:-0.03295608309368727 ，pre_y：[[0.10278547 0.05778222 0.09278497 0.04778172 0.05389336 0.06611664
0.07222828 0.09667383 0.09056319 0.08556294 0.080007 ]]
训练200次，w：[[0.58734801 0.58744801 0.58744801]]，loss：0.018949170624921505，w_grad:-0.030603593702650086 ，pre_y：[[0.10865988 0.06108459 0.09808782 0.05051253 0.05697346 0.06989531
0.07635624 0.10219895 0.09573903 0.09045299 0.08457951]]
训练300次，w：[[0.61683492 0.61693492 0.61693492]]，loss：0.0163405110361963，w_grad:-0.02841903101331496 ，pre_y：[[0.11411496 0.06415123 0.10301213 0.0530484 0.05983369 0.07340426
0.08018954 0.10732968 0.10054539 0.09499398 0.08882563]]
训练400次，w：[[0.64421698 0.64431698 0.64431698]]，loss：0.014090984672750375，w_grad:-0.026390407988778758 ，pre_y：[[0.11918064 0.06699897 0.10758494 0.05540326 0.06248975 0.07666272
0.08374921 0.11209415 0.10500867 0.09921081 0.09276864]]
训练500次，w：[[0.66964443 0.66974443 0.66974443]]，loss：0.012151149792910385，w_grad:-0.0245065932574511 ，pre_y：[[0.12388472 0.06964342 0.11183132 0.05759002 0.06495621 0.07968859
0.08705478 0.11651853 0.10915334 0.10312664 0.0964302 ]]
训练600次，w：[[0.69325682 0.69335682 0.69335682]]，loss：0.010478371281757722，w_grad:-0.022757250033478546 ，pre_y：[[0.12825301 0.07209911 0.11577459 0.05962069 0.06724661 0.08249846
0.09012439 0.12062709 0.11300216 0.10676295 0.09983038]]
训练700次，w：[[0.71518368 0.71528368 0.71528368]]，loss：0.00903588358527656，w_grad:-0.02113277939718515 ，pre_y：[[0.13230948 0.0743795 0.11943638 0.0615064 0.06937352 0.08510776
0.09297488 0.12444236 0.11657624 0.11013969 0.10298785]]
训练800次，w：[[0.73554536 0.73564536 0.73564536]]，loss：0.00779198265002023，w_grad:-0.019624267624300012 ，pre_y：[[0.13607639 0.07649712 0.12283677 0.0632575 0.0713486 0.0875308
0.0956219 0.12798529 0.11989519 0.11327538 0.10591993]]
训练900次，w：[[0.75445356 0.75455356 0.75455356]]，loss：0.006719329108152225，w_grad:-0.018223437274959054 ，pre_y：[[0.13957441 0.07846357 0.12599444 0.06488361 0.0731827 0.08978087
0.09807996 0.13127532 0.12297723 0.11618725 0.10864271]]
训练1000次，w：[[0.77201205 0.77211205 0.77211205]]，loss：0.005794347392751441，w_grad:-0.016922601774098673 ，pre_y：[[0.14282273 0.08028965 0.12892671 0.06639364 0.07488587 0.09187033
0.10036257 0.1343305 0.12583926 0.11889126 0.11117114]]
训练1100次，w：[[0.78831717 0.78841717 0.78841717]]，loss：0.004996707576696977，w_grad:-0.01571462323401725 ，pre_y：[[0.14583918 0.08198539 0.13164967 0.06779588 0.07646747 0.09381064
0.10248223 0.13716759 0.128497 0.12140224 0.11351907]]
训练1200次，w：[[0.80345839 0.80355839 0.80355839]]，loss：0.004308878546606672，w_grad:-0.014592873287669604 ，pre_y：[[0.1486403 0.08356007 0.13417825 0.06909802 0.07793616 0.09561245
0.10445059 0.13980216 0.13096502 0.12373399 0.11569941]]
训练1300次，w：[[0.81751879 0.81761879 0.81761879]]，loss：0.003715742691158517，w_grad:-0.013551196717781107 ，pre_y：[[0.15124148 0.08502235 0.13652634 0.07030722 0.07930002 0.09728564
0.10627844 0.14224867 0.13325686 0.12589929 0.11772411]]
训练1400次，w：[[0.83057552 0.83067552 0.83067552]]，loss：0.0032042636351319945，w_grad:-0.012583877682208413 ，pre_y：[[0.15365697 0.08638025 0.13870681 0.07143009 0.08056653 0.09883939
0.10797582 0.14452054 0.13538511 0.12791003 0.11960427]]
训练1500次，w：[[0.84270023 0.84280023 0.84280023]]，loss：0.0027631997163842215，w_grad:-0.011685608350220455 ，pre_y：[[0.15590004 0.08764122 0.14073164 0.07247282 0.08174262 0.10028223
0.10955203 0.14663024 0.13736144 0.12977723 0.12135023]]
训练1600次，w：[[0.85395944 0.85405944 0.85405944]]，loss：0.0023828569083474407，w_grad:-0.010851459777601559 ，pre_y：[[0.157983 0.08881218 0.14261193 0.07344111 0.08283477 0.10162207
0.11101573 0.14858934 0.13919669 0.13151115 0.12297156]]
训练1700次，w：[[0.86441495 0.86451495 0.86451495]]，loss：0.002054875757597166，w_grad:-0.010076854860764047 ，pre_y：[[0.15991727 0.08989955 0.144358 0.07434029 0.08384895 0.10286628
0.11237494 0.1504086 0.14090094 0.1331213 0.12447715]]
训练1800次，w：[[0.87412411 0.87422411 0.87422411]]，loss：0.0017720476536487403，w_grad:-0.009357543221465809 ，pre_y：[[0.16171346 0.09090931 0.14597943 0.07517527 0.08479074 0.10402167
0.11363713 0.152098 0.14248353 0.13461651 0.12587527]]
训练1900次，w：[[0.88314021 0.88324021 0.88324021]]，loss：0.001528156392824507，w_grad:-0.008689577884320272 ，pre_y：[[0.16338144 0.09184698 0.14748512 0.07595066 0.0856653 0.10509459
0.11480923 0.1536668 0.14395315 0.13600499 0.12717359]]
训练2000次，w：[[0.89151272 0.89161272 0.89161272]]，loss：0.0013178415539664965，w_grad:-0.008069293619125823 ，pre_y：[[0.16493035 0.09271772 0.14888332 0.07667069 0.08647743 0.10609091
0.11589765 0.15512361 0.14531787 0.13729436 0.12837923]]
训练2100次，w：[[0.89928757 0.89938757 0.89938757]]，loss：0.0011364806831653384，w_grad:-0.007493286829174665 ，pre_y：[[0.1663687 0.09352631 0.15018172 0.07733933 0.08723159 0.10701612
0.11690838 0.15647644 0.14658517 0.13849169 0.12949881]]
训练2200次，w：[[0.90650744 0.90660744 0.90660744]]，loss：0.000980087698075219，w_grad:-0.006958396875185897 ，pre_y：[[0.16770438 0.09427717 0.15138744 0.07796024 0.08793192 0.10787529
0.11784697 0.15773269 0.14776201 0.13960355 0.13053847]]
训练2300次，w：[[0.91321194 0.91331194 0.91331194]]，loss：0.000845225278870064，w_grad:-0.006461688732383671 ，pre_y：[[0.16894471 0.09497444 0.15250709 0.07853683 0.08858226 0.10867312
0.11871855 0.15889928 0.14885485 0.14063604 0.13150392]]
训练2400次，w：[[0.91943785 0.91953785 0.91953785]]，loss：0.0007289293203052479，w_grad:-0.006000436885557593 ，pre_y：[[0.1700965 0.09562194 0.15354682 0.07907225 0.08918617 0.109414
0.11952792 0.15998259 0.14986967 0.14159483 0.13240045]]
训练2500次，w：[[0.92521934 0.92531934 0.92531934]]，loss：0.000628643784436768，w_grad:-0.005572110373734771 ，pre_y：[[0.17116608 0.09622321 0.15451233 0.07956946 0.08974698 0.110102
0.12027951 0.16098856 0.15081205 0.14248518 0.13323298]]
训练2600次，w：[[0.93058813 0.93068813 0.93068813]]，loss：0.0005421645221430264，w_grad:-0.005174358902401398 ，pre_y：[[0.1721593 0.09678157 0.15540892 0.08003118 0.09026775 0.11074089
0.12097746 0.16192273 0.15168716 0.14331197 0.13400609]]
训练2700次，w：[[0.93557368 0.93567368 0.93567368]]，loss：0.0004675908287175082，w_grad:-0.004804999947069409 ，pre_y：[[0.17308163 0.09730006 0.1562415 0.08045994 0.09075135 0.11133417
0.12162558 0.16279022 0.15249981 0.14407975 0.13472401]]
训练2800次，w：[[0.94020335 0.94030335 0.94030335]]，loss：0.00040328366878553443，w_grad:-0.004462006777423589 ，pre_y：[[0.17393812 0.09778155 0.15701466 0.08085809 0.09120043 0.1118851
0.12222744 0.16359578 0.15325445 0.14479272 0.13539068]]
训练2900次，w：[[0.94450255 0.94460255 0.94460255]]，loss：0.000347829652381654，w_grad:-0.004143497336335446 ，pre_y：[[0.17473347 0.09822866 0.15773263 0.08122782 0.09161745 0.1123967
0.12278633 0.16434384 0.15395522 0.14545479 0.13600977]]
训练3000次，w：[[0.94849485 0.94859485 0.94859485]]，loss：0.0003000099704275016，w_grad:-0.0038477239127216677 ，pre_y：[[0.17547205 0.09864386 0.15839934 0.08157116 0.0920047 0.11287179
0.12330533 0.1650385 0.15460596 0.14606961 0.13658466]]
训练3100次，w：[[0.95220218 0.95230218 0.95230218]]，loss：0.0002587736068512017，w_grad:-0.0035730635515802485 ，pre_y：[[0.1761579 0.09902943 0.15901846 0.08188999 0.09236431 0.11331296
0.12378728 0.16568358 0.15521026 0.14664054 0.13711851]]
训练3200次，w：[[0.95564487 0.95574487 0.95574487]]，loss：0.0002232142385846629，w_grad:-0.003318009148582815 ，pre_y：[[0.1767948 0.09938747 0.15959339 0.08218606 0.09269825 0.11372264
0.12423483 0.16628261 0.15577141 0.14717071 0.13761426]]
训练3300次，w：[[0.95884181 0.95894181 0.95894181]]，loss：0.00019255031572988526，w_grad:-0.003081161180357519 ，pre_y：[[0.17738623 0.09971995 0.16012728 0.082461 0.09300836 0.11410307
0.12465043 0.16683887 0.15629251 0.14766304 0.13807462]]
训练3400次，w：[[0.96181054 0.96191054 0.96191054]]，loss：0.0001661078840816013，w_grad:-0.0028612200250854977 ，pre_y：[[0.17793545 0.1000287 0.16062306 0.08271631 0.09329632 0.11445635
0.12503637 0.16735543 0.15677642 0.14812022 0.13850212]]
训练3500次，w：[[0.96456736 0.96466736 0.96466736]]，loss：0.00014330577246707，w_grad:-0.0026569788312730646 ，pre_y：[[0.17844546 0.10031541 0.16108345 0.08295339 0.09356373 0.11478442
0.12539476 0.16783512 0.15722578 0.14854477 0.1388991 ]]
训练3600次，w：[[0.96712739 0.96722739 0.96722739]]，loss：0.0001236428193394122，w_grad:-0.002467316895568805 ，pre_y：[[0.17891907 0.10058165 0.16151097 0.08317356 0.09381206 0.11508906
0.12572756 0.16828057 0.15764306 0.14893902 0.13926774]]
训练3700次，w：[[0.96950467 0.96960467 0.96960467]]，loss：0.00010668685788125428，w_grad:-0.002291193513289054 ，pre_y：[[0.17935886 0.10082889 0.16190798 0.083378 0.09404265 0.11537196
0.12603661 0.16869421 0.15803056 0.14930512 0.13961007]]
训练3800次，w：[[0.97171227 0.97181227 0.97181227]]，loss：9.206521752520944e-05，w_grad:-0.002127642267908897 ，pre_y：[[0.17976727 0.10105848 0.16227665 0.08356785 0.09425679 0.11563466
0.12632359 0.16907833 0.1583904 0.14964509 0.13992797]]
训练3900次，w：[[0.97376227 0.97386227 0.97386227]]，loss：7.945653312655468e-05，w_grad:-0.0019757657281832784 ，pre_y：[[0.18014652 0.10127168 0.162619 0.08374416 0.09445564 0.11587861
0.1265901 0.16943504 0.15872455 0.14996079 0.14022317]]
训练4000次，w：[[0.97566595 0.97576595 0.97576595]]，loss：6.858368176422163e-05，w_grad:-0.001834730523801983 ，pre_y：[[0.1804987 0.10146966 0.16293691 0.08390787 0.0946403 0.11610515
0.12683757 0.16976627 0.15903485 0.15025396 0.1404973 ]]
训练4100次，w：[[0.97743373 0.97753373 0.97753373]]，loss：5.9207691929782484e-05，w_grad:-0.0017037627725559905 ，pre_y：[[0.18082574 0.10165351 0.16323213 0.0840599 0.09481177 0.11631551
0.12706738 0.17007387 0.159323 0.15052619 0.14075186]]
训练4200次，w：[[0.97907532 0.97917532 0.97917532]]，loss：5.112249123624211e-05，w_grad:-0.001582143833925218 ，pre_y：[[0.18112944 0.10182423 0.16350628 0.08420108 0.09497101 0.11651086
0.12728079 0.17035951 0.15959058 0.150779 0.14098825]]
训练4300次，w：[[0.98059974 0.98069974 0.98069974]]，loss：4.415037720784204e-05，w_grad:-0.0014692063657854686 ，pre_y：[[0.18141145 0.10198277 0.16376086 0.08433218 0.09511887 0.11669227
0.12747897 0.17062475 0.15983906 0.15101376 0.14120776]]
训练4400次，w：[[0.98201533 0.98211533 0.98211533]]，loss：3.8138111604606985e-05，w_grad:-0.0013643306625979832 ，pre_y：[[0.18167334 0.10212999 0.16399726 0.08445392 0.09525619 0.11686072
0.12766299 0.17087107 0.1600698 0.15123176 0.14141161]]
训练4500次，w：[[0.98332988 0.98342988 0.98342988]]，loss：3.295355243983042e-05，w_grad:-0.0012669412549883563 ，pre_y：[[0.18191653 0.10226671 0.16421679 0.08456697 0.0953837 0.11701716
0.12783388 0.1710998 0.16028407 0.1514342 0.1416009 ]]
训练4600次，w：[[0.9845506 0.9846506 0.9846506]]，loss：2.848274966647442e-05，w_grad:-0.0011765037520558921 ，pre_y：[[0.18214236 0.10239366 0.16442065 0.08467195 0.09550211 0.11716242
0.12799258 0.1713122 0.16048305 0.15162219 0.14177669]]
训练4700次，w：[[0.98568417 0.98578417 0.98578417]]，loss：2.4627440699411432e-05，w_grad:-0.0010925219090875305 ，pre_y：[[0.18235207 0.10251155 0.16460996 0.08476944 0.09561206 0.11729732
0.12813994 0.17150945 0.16066782 0.15179676 0.14193992]]
训练4800次，w：[[0.98673683 0.98683683 0.98683683]]，loss：2.1302890728183384e-05，w_grad:-0.0010145349045852833 ，pre_y：[[0.18254681 0.10262103 0.16478575 0.08485997 0.09571417 0.11742258
0.12827679 0.17169261 0.1608394 0.15195887 0.1420915 ]]
训练4900次，w：[[0.98771434 0.98781434 0.98781434]]，loss：1.843603035315045e-05，w_grad:-0.0009421148116668587 ，pre_y：[[0.18272765 0.10272269 0.164949 0.08494403 0.09580899 0.11753891
0.12840386 0.1718627 0.16099874 0.15210941 0.14223227]]
训练5000次，w：[[0.98862208 0.98872208 0.98872208]]，loss：1.5963849612577255e-05，w_grad:-0.0008748642499637546 ，pre_y：[[0.18289559 0.1028171 0.16510059 0.0850221 0.09589704 0.11764693
0.12852187 0.17202064 0.1611467 0.1522492 0.14236298]]
训练5100次，w：[[0.98946502 0.98956502 0.98956502]]，loss：1.3832013103451262e-05，w_grad:-0.000812414205133259 ，pre_y：[[0.18305153 0.10290476 0.16524136 0.08509459 0.09597881 0.11774724
0.12863145 0.17216731 0.1612841 0.15237901 0.14248436]]
训练5200次，w：[[0.99024779 0.99034779 0.99034779]]，loss：1.199366575810878e-05，w_grad:-0.0007544220040191065 ，pre_y：[[0.18319634 0.10298617 0.16537208 0.08516191 0.09605474 0.11784039
0.12873321 0.17230352 0.16141169 0.15249956 0.14259708]]
训练5300次，w：[[0.99097469 0.99107469 0.99107469]]，loss：1.0408403029162425e-05，w_grad:-0.0007005694343501342 ，pre_y：[[0.18333082 0.10306177 0.16549347 0.08522442 0.09612524 0.11792689
0.12882771 0.17243 0.16153017 0.1526115 0.14270176]]
训练5400次，w：[[0.99164969 0.99174969 0.99174969]]，loss：9.041382848695417e-06，w_grad:-0.0006505609986598725 ，pre_y：[[0.18345569 0.10313197 0.1656062 0.08528247 0.09619072 0.11800721
0.12891546 0.17254745 0.1616402 0.15271545 0.14279896]]
训练5500次，w：[[0.99227652 0.99237652 0.99237652]]，loss：7.862559843726108e-06，w_grad:-0.0006041222928458527 ，pre_y：[[0.18357166 0.10319716 0.16571088 0.08533638 0.09625152 0.11808181
0.12899695 0.17265651 0.16174237 0.15281198 0.14288922]]
训练5600次，w：[[0.9928586 0.9929586 0.9929586]]，loss：6.84602497694049e-06，w_grad:-0.0005609985004713672 ，pre_y：[[0.18367934 0.10325769 0.16580809 0.08538644 0.09630798 0.11815107
0.12907262 0.1727578 0.16183725 0.15290162 0.14297304]]
训练5700次，w：[[0.99339912 0.99349912 0.99349912]]，loss：5.969436098850939e-06，w_grad:-0.0005209529945477499 ，pre_y：[[0.18377934 0.10331391 0.16589835 0.08543292 0.09636042 0.1182154
0.12914289 0.17285185 0.16192536 0.15298487 0.14305087]]
训练5800次，w：[[0.99390107 0.99400107 0.99400107]]，loss：5.213526895638496e-06，w_grad:-0.0004837660391253116 ，pre_y：[[0.1838722 0.10336611 0.16598218 0.08547609 0.0964091 0.11827513
0.12920814 0.17293919 0.16200717 0.15306216 0.14312315]]
训练5900次，w：[[0.99436718 0.99446718 0.99446718]]，loss：4.561683439962427e-06，w_grad:-0.00044923358356767715 ，pre_y：[[0.18395843 0.10341459 0.16606002 0.08551618 0.09645432 0.11833059
0.12926873 0.17302029 0.16208315 0.15313395 0.14319027]]
训练6000次，w：[[0.99480002 0.99490002 0.99490002]]，loss：3.999579037870203e-06，w_grad:-0.00041716614289409945 ，pre_y：[[0.1840385 0.1034596 0.1661323 0.0855534 0.0964963 0.1183821 0.129325
0.1730956 0.1621537 0.1532006 0.1432526]]
训练6100次，w：[[0.99520197 0.99530197 0.99530197]]，loss：3.514859346201618e-06，w_grad:-0.00038738775804574623 ，pre_y：[[0.18411286 0.1035014 0.16619943 0.08558797 0.09653529 0.11842993
0.12937726 0.17316554 0.16221922 0.1532625 0.14331048]]
训练6200次，w：[[0.99557522 0.99567522 0.99567522]]，loss：3.0968708397660042e-06，w_grad:-0.0003597350303708742 ，pre_y：[[0.18418192 0.10354022 0.16626176 0.08562007 0.0965715 0.11847435
0.12942578 0.17323049 0.16228006 0.15331998 0.14336423]]
训练6300次，w：[[0.99592183 0.99602183 0.99602183]]，loss：2.7364266603461175e-06，w_grad:-0.0003340562250308716 ，pre_y：[[0.18424604 0.10357627 0.16631965 0.08564988 0.09660512 0.1185156
0.12947084 0.1732908 0.16233656 0.15337336 0.14341414]]
训练6400次，w：[[0.9962437 0.9963437 0.9963437]]，loss：2.4256047011831185e-06，w_grad:-0.00031021043840745324 ，pre_y：[[0.18430558 0.10360974 0.1663734 0.08567756 0.09663634 0.1185539
0.12951268 0.1733468 0.16238902 0.15342293 0.14346049]]
训练6500次，w：[[0.99654259 0.99664259 0.99664259]]，loss：2.1575734891008966e-06，w_grad:-0.0002880668249425391 ，pre_y：[[0.18436088 0.10364083 0.16642331 0.08570326 0.09666533 0.11858947
0.12955154 0.17339881 0.16243774 0.15346896 0.14350353]]
训练6600次，w：[[0.99682014 0.99692014 0.99692014]]，loss：1.926442037373294e-06，w_grad:-0.0002675038791682317 ，pre_y：[[0.18441223 0.10366969 0.16646966 0.08572713 0.09669225 0.1186225
0.12958762 0.1734471 0.16248298 0.1535117 0.1435435 ]]
训练6700次，w：[[0.99707789 0.99717789 0.99717789]]，loss：1.7271303692934223e-06，w_grad:-0.00024840876898734725 ，pre_y：[[0.18445991 0.1036965 0.16651271 0.0857493 0.09671726 0.11865317
0.12962113 0.17349195 0.162525 0.15355139 0.14358062]]
训练6800次，w：[[0.99731723 0.99741723 0.99741723]]，loss：1.5552578667154288e-06，w_grad:-0.00023067671654584 ，pre_y：[[0.18450419 0.10372139 0.16655268 0.08576988 0.09674047 0.11868165
0.12965224 0.1735336 0.16256401 0.15358825 0.14361508]]
训练6900次，w：[[0.99753949 0.99763949 0.99763949]]，loss：1.4070469896155602e-06，w_grad:-0.00021421042330066722 ，pre_y：[[0.18454531 0.10374451 0.16658979 0.085789 0.09676203 0.1187081
0.12968113 0.17357227 0.16260024 0.15362248 0.14364709]]
训练7000次，w：[[0.99774589 0.99784589 0.99784589]]，loss：1.2792402505426687e-06，w_grad:-0.0001989195361272024 ，pre_y：[[0.18458349 0.10376597 0.16662426 0.08580675 0.09678205 0.11873266
0.12970797 0.17360818 0.16263388 0.15365427 0.14367681]]
训练7100次，w：[[0.99793755 0.99803755 0.99803755]]，loss：1.1690286191692367e-06，w_grad:-0.00018472015153769383 ，pre_y：[[0.18461895 0.1037859 0.16665627 0.08582323 0.09680064 0.11875547
0.12973288 0.17364153 0.16266512 0.15368378 0.14370441]]
训练7200次，w：[[0.99811553 0.99821553 0.99821553]]，loss：1.0739897833611256e-06，w_grad:-0.00017153435528974596 ，pre_y：[[0.18465187 0.10380441 0.16668599 0.08583854 0.09681791 0.11877665
0.12975602 0.1736725 0.16269413 0.15371119 0.14373004]]
训练7300次，w：[[0.9982808 0.9983808 0.9983808]]，loss：9.920349098216422e-07，w_grad:-0.0001592897948584995 ，pre_y：[[0.18468245 0.1038216 0.16671359 0.08585275 0.09683394 0.11879632
0.1297775 0.17370126 0.16272107 0.15373664 0.14375384]]
训练7400次，w：[[0.99843428 0.99853428 0.99853428]]，loss：9.213627341816572e-07，w_grad:-0.00014791928242717552 ，pre_y：[[0.18471084 0.10383757 0.16673922 0.08586595 0.09684883 0.11881458
0.12979746 0.17372796 0.16274609 0.15376028 0.14377594]]
训练7500次，w：[[0.9985768 0.9986768 0.9986768]]，loss：8.604199714874756e-07，w_grad:-0.00013736042621684716 ，pre_y：[[0.18473721 0.10385239 0.16676303 0.0858782 0.09686265 0.11883154
0.12981598 0.17375276 0.16276932 0.15378223 0.14379646]]
训练7600次，w：[[0.99870915 0.99880915 0.99880915]]，loss：8.078671769665935e-07，w_grad:-0.00012755528813334166 ，pre_y：[[0.18476169 0.10386615 0.16678513 0.08588959 0.09687549 0.11884729
0.12983319 0.17377579 0.16279089 0.15380261 0.14381552]]
训练7700次，w：[[0.99883205 0.99893205 0.99893205]]，loss：7.625493067245698e-07，w_grad:-0.00011845006585155548 ，pre_y：[[0.18478443 0.10387893 0.16680565 0.08590016 0.09688741 0.11886191
0.12984917 0.17379718 0.16281092 0.15382154 0.14383322]]
训练7800次，w：[[0.99894618 0.99904618 0.99904618]]，loss：7.234703313439166e-07，w_grad:-0.00010999479759374365 ，pre_y：[[0.18480554 0.1038908 0.16682471 0.08590997 0.09689848 0.1188755
0.129864 0.17381704 0.16282953 0.15383911 0.14384965]]
训练7900次，w：[[0.99905216 0.99915216 0.99915216]]，loss：6.897713444179603e-07，w_grad:-0.00010214308798155024 ，pre_y：[[0.18482515 0.10390182 0.16684241 0.08591909 0.09690876 0.11888811
0.12987778 0.17383548 0.1628468 0.15385543 0.14386491]]
训练8000次，w：[[0.99915058 0.99925058 0.99925058]]，loss：6.607116848749431e-07，w_grad:-9.485185345704817e-05 ，pre_y：[[0.18484336 0.10391206 0.16685885 0.08592755 0.09691831 0.11889982
0.12989057 0.1738526 0.16286284 0.15387059 0.14387908]]
训练8100次，w：[[0.99924197 0.99934197 0.99934197]]，loss：6.356526581865864e-07，w_grad:-8.808108587694275e-05 ，pre_y：[[0.18486026 0.10392156 0.16687411 0.08593541 0.09692717 0.11891069
0.12990246 0.1738685 0.16287774 0.15388466 0.14389224]]
训练8200次，w：[[0.99932683 0.99942683 0.99942683]]，loss：6.140434986699053e-07，w_grad:-8.179363298130856e-05 ，pre_y：[[0.18487596 0.10393039 0.16688828 0.08594271 0.0969354 0.11892079
0.12991349 0.17388327 0.16289157 0.15389773 0.14390446]]
训练8300次，w：[[0.99940564 0.99950564 0.99950564]]，loss：5.95409264354634e-07，w_grad:-7.595499453338292e-05 ，pre_y：[[0.18489054 0.10393859 0.16690144 0.08594949 0.09694305 0.11893017
0.12992373 0.17389698 0.16290442 0.15390987 0.14391581]]
训练8400次，w：[[0.99947883 0.99957883 0.99957883]]，loss：5.793403983608779e-07，w_grad:-7.053313301154802e-05 ，pre_y：[[0.18490408 0.1039462 0.16691366 0.08595578 0.09695015 0.11893888
0.12993325 0.17390972 0.16291635 0.15392114 0.14392635]]
训练8500次，w：[[0.99954679 0.99964679 0.99964679]]，loss：5.654837273562998e-07，w_grad:-6.549829781420028e-05 ，pre_y：[[0.18491666 0.10395327 0.16692501 0.08596162 0.09695674 0.11894697
0.12994208 0.17392154 0.16292743 0.1539316 0.14393614]]
训练8600次，w：[[0.99960989 0.99970989 0.99970989]]，loss：5.535346992543126e-07，w_grad:-6.0822862013731474e-05 ，pre_y：[[0.18492833 0.10395983 0.16693555 0.08596705 0.09696286 0.11895448
0.12995029 0.17393252 0.16293771 0.15394132 0.14394522]]
训练8700次，w：[[0.9996685 0.9997685 0.9997685]]，loss：5.432306895441626e-07，w_grad:-5.648117076324603e-05 ，pre_y：[[0.18493917 0.10396592 0.16694534 0.08597209 0.09696854 0.11896145
0.1299579 0.17394272 0.16294727 0.15395035 0.14395366]]
训练8800次，w：[[0.99972292 0.99982292 0.99982292]]，loss：5.343452291367255e-07，w_grad:-5.244940052421437e-05 ，pre_y：[[0.18494924 0.10397158 0.16695443 0.08597677 0.09697382 0.11896793
0.12996498 0.17395219 0.16295614 0.15395873 0.1439615 ]]
训练8900次，w：[[0.99977345 0.99987345 0.99987345]]，loss：5.266830268606788e-07，w_grad:-4.870542834317069e-05 ，pre_y：[[0.18495859 0.10397684 0.16696287 0.08598112 0.09697872 0.11897394
0.12997155 0.17396098 0.16296437 0.15396651 0.14396878]]
训练9000次，w：[[0.99982038 0.99992038 0.99992038]]，loss：5.20075677210031e-07，w_grad:-4.5228710459612976e-05 ，pre_y：[[0.18496727 0.10398172 0.1669707 0.08598515 0.09698328 0.11897953
0.12997765 0.17396915 0.16297202 0.15397374 0.14397553]]
训练9100次，w：[[0.99986396 0.99996396 0.99996396]]，loss：5.143779590041926e-07，w_grad:-4.2000169579176376e-05 ，pre_y：[[0.18497533 0.10398625 0.16697798 0.0859889 0.0969875 0.11898471
0.12998331 0.17397673 0.16297913 0.15398045 0.14398181]]
训练9200次，w：[[0.99990443 1.00000443 1.00000443]]，loss：5.094646436099906e-07，w_grad:-3.900209019346266e-05 ，pre_y：[[0.18498282 0.10399046 0.16698474 0.08599238 0.09699143 0.11898953
0.12998858 0.17398377 0.16298572 0.15398668 0.14398764]]
训练9300次，w：[[0.99994201 1.00004201 1.00004201]]，loss：5.052277425750257e-07，w_grad:-3.621802137228093e-05 ，pre_y：[[0.18498977 0.10399437 0.16699102 0.08599561 0.09699507 0.118994
0.12999346 0.17399031 0.16299185 0.15399247 0.14399305]]
训练9400次，w：[[0.9999769 1.0000769 1.0000769]]，loss：5.015741341783545e-07，w_grad:-3.363268649489918e-05 ，pre_y：[[0.18499623 0.103998 0.16699684 0.08599861 0.09699846 0.11899815
0.129998 0.17399638 0.16299754 0.15399784 0.14399807]]
训练9500次，w：[[1.00000931 1.00010931 1.00010931]]，loss：4.984235167327918e-07，w_grad:-3.123189942487157e-05 ，pre_y：[[0.18500222 0.10400137 0.16700225 0.0860014 0.0970016 0.11900201
0.13000221 0.17400202 0.16300282 0.15400283 0.14400274]]
训练9600次，w：[[1.0000394 1.0001394 1.0001394]]，loss：4.957066436552312e-07，w_grad:-2.9002486668191316e-05 ，pre_y：[[0.18500779 0.1040045 0.16700728 0.08600399 0.09700452 0.11900559
0.13000612 0.17400726 0.16300772 0.15400747 0.14400707]]
训练9700次，w：[[1.00006735 1.00016735 1.00016735]]，loss：4.933638015149408e-07，w_grad:-2.6932215088637658e-05 ，pre_y：[[0.18501296 0.1040074 0.16701195 0.08600639 0.09700723 0.11900891
0.13000975 0.17401212 0.16301228 0.15401177 0.1440111 ]]
训练9800次，w：[[1.00009329 1.00019329 1.00019329]]，loss：4.913434976076526e-07，w_grad:-2.5009724782577536e-05 ，pre_y：[[0.18501776 0.1040101 0.16701628 0.08600862 0.09700975 0.119012
0.13001313 0.17401663 0.16301651 0.15401577 0.14401483]]
训练9900次，w：[[1.00011739 1.00021739 1.00021739]]，loss：4.896013282110915e-07，w_grad:-2.3224466745223763e-05 ，pre_y：[[0.18502222 0.10401261 0.1670203 0.0860107 0.09701209 0.11901487
0.13001626 0.17402083 0.16302043 0.15401948 0.1440183 ]]
训练10000次，w：[[1.00013977 1.00023977 1.00023977]]，loss：4.880990026474034e-07，w_grad:-2.1566644986665863e-05 ，pre_y：[[0.18502636 0.10401494 0.16702404 0.08601262 0.09701426 0.11901753
0.13001917 0.17402472 0.16302408 0.15402292 0.14402153]]
[[1.00013977 1.00023977 1.00023977]]
预测： [[0.18502636 0.10401494 0.16702404 0.08601262 0.09701426 0.11901753
0.13001917 0.17402472 0.16302408 0.15402292 0.14402153]]
真实值： [[0.185 0.104 0.167 0.086 0.098 0.119 0.13 0.174 0.163 0.154 0.144]]
进程已结束,退出代码0
扫一扫
381
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
