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

在这里插入图片描述

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 获取一个值在某个区间的指定倍数的值方法

    python 获取一个值在某个区间的指定倍数的值方法

    今天小编就为大家分享一篇python 获取一个值在某个区间的指定倍数的值方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-11-11
  • Python装饰器原理与基本用法分析

    Python装饰器原理与基本用法分析

    这篇文章主要介绍了Python装饰器原理与基本用法,结合实例形式分析了Python装饰器的基本功能、原理、用法与操作注意事项,需要的朋友可以参考下
    2020-01-01
  • 如何将python的数据存储到mysql数据库中

    如何将python的数据存储到mysql数据库中

    在很多数据处理项目中,将数据存储到数据库中是非常常见的操作,下面这篇文章主要给大家介绍了关于如何将python的数据存储到mysql数据库中的相关资料,需要的朋友可以参考下
    2023-12-12
  • Python Asyncio中Coroutines,Tasks,Future可等待对象的关系及作用

    Python Asyncio中Coroutines,Tasks,Future可等待对象的关系及作用

    这篇文章主要介绍了Python Asyncio中Coroutines,Tasks,Future可等待对象的关系及作用,文章围绕主题展开详细的内容介绍,需要的小伙伴可以参考一下
    2022-06-06
  • 详解pandas赋值失败问题解决

    详解pandas赋值失败问题解决

    这篇文章主要介绍了详解pandas赋值失败问题解决,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
    2020-11-11
  • Python递归函数 二分查找算法实现解析

    Python递归函数 二分查找算法实现解析

    这篇文章主要介绍了Python递归函数 二分查找算法实现解析,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,需要的朋友可以参考下
    2019-08-08
  • Python如何基于rsa模块实现非对称加密与解密

    Python如何基于rsa模块实现非对称加密与解密

    这篇文章主要介绍了Python如何基于rsa模块实现非对称加密与解密,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,需要的朋友可以参考下
    2020-01-01
  • Django与图表的数据交互的实现

    Django与图表的数据交互的实现

    本文主要介绍了Django与图表的数据交互的实现,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
    2022-08-08
  • 如何解决Python:报错[Errno 2]No such file or directory问题

    如何解决Python:报错[Errno 2]No such file or&nb

    介绍了Python文件读取操作时常见的错误原因及解决方法,主要错误原因包括路径拼写错误、工作目录与相对路径不匹配以及文件不存在,解决方法有使用绝对路径和动态获取脚本路径,其他注意事项包括验证文件路径与名称、理解工作目录与相对路径
    2025-02-02
  • Opencv Python实现两幅图像匹配

    Opencv Python实现两幅图像匹配

    这篇文章主要为大家详细介绍了Opencv Python实现两幅图像匹配,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2021-06-06

最新评论