pytorch实践线性模型3d详解
更新时间:2023年04月12日 14:36:53 作者:just-run
这篇文章主要介绍了pytorch实践线性模型3d详解,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
y = wx +b
通过meshgrid 得到两个二维矩阵
关键理解:
plot_surface需要的xyz是二维np数组
这里提前准备meshgrid来生产x和y需要的参数
下图的W和I即plot_surface需要xy
Z即我们需要的权重损失
计算方式要和W,I. I的每行中内容是一样的就是y=wx+b的b是一样的
fig = plt.figure() ax = fig.add_axes(Axes3D(fig)) ax.plot_surface(W, I, Z=MSE_data)
总的实验代码
import matplotlib.pyplot as plt import numpy as np from mpl_toolkits.mplot3d import Axes3D class LinearModel: @staticmethod def forward(w, x): return w * x @staticmethod def forward_with_intercept(w, x, b): return w * x + b @staticmethod def get_loss(w, x, y_origin, exp=2, b=None): if b: y = LinearModel.forward_with_intercept(w, x, b) else: y = LinearModel.forward(w, x) return pow(y_origin - y, exp) def test_2d(): x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] weight_data = [] MSE_data = [] # 设定实验的权重范围 for w in np.arange(0.0, 4.1, 0.1): weight_data.append(w) loss_total = 0 # 计算每个权重在数据集上的MSE平均平方方差 for x_val, y_val in zip(x_data, y_data): loss_total += LinearModel.get_loss(w, x_val, y_val) MSE_data.append(loss_total / len(x_data)) # 绘图 plt.xlabel("weight") plt.ylabel("MSE") plt.plot(weight_data, MSE_data) plt.show() def test_3d(): x_data = [1.0, 2.0, 3.0] y_data = [5.0, 8.0, 11.0] weight_data = np.arange(0.0, 4.1, 0.1) intercept_data = np.arange(0.0, 4.1, 0.1) W, I = np.meshgrid(weight_data, intercept_data) MSE_data = [] # 设定实验的权重范围 循环要先写截距的 meshgrid 的返回第二个是相当于41*41 同一行值相同 ,要在第二层循环去遍历权重 for intercept in intercept_data: MSE_data_tmp = [] for w in weight_data: loss_total = 0 # 计算每个权重在数据集上的MSE平均平方方差 for x_val, y_val in zip(x_data, y_data): loss_total += LinearModel.get_loss(w, x_val, y_val, b=intercept) MSE_data_tmp.append(loss_total / len(x_data)) MSE_data.append(MSE_data_tmp) MSE_data = np.array(MSE_data) fig = plt.figure() ax = fig.add_axes(Axes3D(fig)) ax.plot_surface(W, I, Z=MSE_data) plt.xlabel("weight") plt.ylabel("intercept") plt.show() if __name__ == '__main__': test_2d() test_3d()
到此这篇关于pytorch实践线性模型3d的文章就介绍到这了,更多相关pytorch线性模型内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
相关文章
Python multiprocess pool模块报错pickling error问题解决方法分析
这篇文章主要介绍了Python multiprocess pool模块报错pickling error问题解决方法,结合实例形式分析了multiprocess pool模块报错pickling error的原因与解决方法,需要的朋友可以参考下2019-03-03python读取并显示图片的三种方法(opencv、matplotlib、PIL库)
这篇文章主要给大家介绍了关于python读取并显示图片的三种方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧2021-04-04
最新评论