贵阳网站建设在线,wordpress无法加载图片大小,做网站电脑开一天用多少钱,上海专业做网站较好的公司有哪些最终效果
先看下最终效果#xff1a; 这里用一条直线把二维平面上不同的点分开。
生成随机数据
#创建训练数据
x torch.rand(10,1)*10 #shape(10,1)
y 2*x (5 torch.randn(10,1))#构建线性回归参数
w torch.randn((1))#随机初始化w#xff0c;要用到自动梯度求导
b …最终效果
先看下最终效果 这里用一条直线把二维平面上不同的点分开。
生成随机数据
#创建训练数据
x torch.rand(10,1)*10 #shape(10,1)
y 2*x (5 torch.randn(10,1))#构建线性回归参数
w torch.randn((1))#随机初始化w要用到自动梯度求导
b torch.zeros((1))#使用0初始化b要用到自动梯度求导n_data torch.ones(100, 2)
xy0 torch.normal(2 * n_data, 1.5) # 生成均值为2.标准差为1.5的随机数组成的矩阵
c0 torch.zeros(100)
xy1 torch.normal(-2 * n_data, 1.5) # 生成均值为-2.标准差为1.5的随机数组成的矩阵
c1 torch.ones(100)x,y torch.cat((xy0,xy1),0).type(torch.FloatTensor).split(1, dim1)
x x.squeeze()
y y.squeeze()
c torch.cat((c0,c1),0).type(torch.FloatTensor)
数据可视化
def plot(x, y, c):ax plt.gca()sc ax.scatter(x, y, colorblack)paths []for i in range(len(x)):if c[i].item() 0:marker_obj mmarkers.MarkerStyle(o)else:marker_obj mmarkers.MarkerStyle(x)path marker_obj.get_path().transformed(marker_obj.get_transform())paths.append(path)sc.set_paths(paths)return sc
plot(x, y, c)
plt.show()使用x和o来表示两种不同类别的数据。
定义模型和损失函数
#构建逻辑回归参数
w torch.tensor([1.,],requires_gradTrue) # 随机初始化w
b torch.zeros((1),requires_gradTrue) # 使用0初始化bwx torch.mul(w,x) # w*x
y_pred torch.add(wx,b) # y w*x b
loss (0.5*(y-y_pred)**2).mean()
这里使用了平方损失函数来估算模型准确度。
训练模型
最多训练100次每次都会更新模型参数当损失值小于0.03时停止训练。
xx torch.arange(-4, 5)
lr 0.02 #学习率
for iteration in range(100):#前向传播loss ((torch.sigmoid(x*wb-y) - c)**2).mean()#反向传播loss.backward()#更新参数b.data.sub_(lr*b.grad) # b b - lr*b.gradw.data.sub_(lr*w.grad) # w w - lr*w.grad#绘图if iteration % 3 0:plot(x, y, c)yy w*xx bplt.plot(xx.data.numpy(),yy.data.numpy(),r-,lw5)plt.text(-4,2,Loss%.4f%loss.data.numpy(),fontdict{size:20,color:black})plt.xlim(-4,4)plt.ylim(-4,4)plt.title(Iteration:{}\nw:{},b:{}.format(iteration,w.data.numpy(),b.data.numpy()))plt.show()if loss.data.numpy() 0.03: # 停止条件break全部代码
import torch
import matplotlib.pyplot as plt
import matplotlib.markers as mmarkers#创建训练数据
x torch.rand(10,1)*10 #shape(10,1)
y 2*x (5 torch.randn(10,1))#构建线性回归参数
w torch.randn((1))#随机初始化w要用到自动梯度求导
b torch.zeros((1))#使用0初始化b要用到自动梯度求导wx torch.mul(w,x) # w*x
y_pred torch.add(wx,b) # y w*x bn_data torch.ones(100, 2)
xy0 torch.normal(2 * n_data, 1.5) # 生成均值为2.标准差为1.5的随机数组成的矩阵
c0 torch.zeros(100)
xy1 torch.normal(-2 * n_data, 1.5) # 生成均值为-2.标准差为1.5的随机数组成的矩阵
c1 torch.ones(100)x,y torch.cat((xy0,xy1),0).type(torch.FloatTensor).split(1, dim1)
x x.squeeze()
y y.squeeze()
c torch.cat((c0,c1),0).type(torch.FloatTensor)def plot(x, y, c):ax plt.gca()sc ax.scatter(x, y, colorblack)paths []for i in range(len(x)):if c[i].item() 0:marker_obj mmarkers.MarkerStyle(o)else:marker_obj mmarkers.MarkerStyle(x)path marker_obj.get_path().transformed(marker_obj.get_transform())paths.append(path)sc.set_paths(paths)return sc
plot(x, y, c)
plt.show()#构建逻辑回归参数
w torch.tensor([1.,],requires_gradTrue)#随机初始化w
b torch.zeros((1),requires_gradTrue)#使用0初始化bwx torch.mul(w,x) # w*x
y_pred torch.add(wx,b) # y w*x b
loss (0.5*(y-y_pred)**2).mean()xx torch.arange(-4, 5)
lr 0.02 #学习率
for iteration in range(100):#前向传播loss ((torch.sigmoid(x*wb-y) - c)**2).mean()#反向传播loss.backward()#更新参数b.data.sub_(lr*b.grad) # b b - lr*b.gradw.data.sub_(lr*w.grad) # w w - lr*w.grad#绘图if iteration % 3 0:plot(x, y, c)yy w*xx bplt.plot(xx.data.numpy(),yy.data.numpy(),r-,lw5)plt.text(-4,2,Loss%.4f%loss.data.numpy(),fontdict{size:20,color:black})plt.xlim(-4,4)plt.ylim(-4,4)plt.title(Iteration:{}\nw:{},b:{}.format(iteration,w.data.numpy(),b.data.numpy()))plt.show()if loss.data.numpy() 0.03:#停止条件break
