这篇文章主要介绍“pytorch实践线性模型3d源码分析”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“pytorch实践线性模型3d源码分析”文章能帮助大家解决问题。
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()