当前位置: 首页 > news >正文

企业网站打不开什么原因seo网站推广经理招聘

企业网站打不开什么原因,seo网站推广经理招聘,音频网站建设,兰州学校网站建设笔记为自我总结整理的学习笔记,若有错误欢迎指出哟~ 深度学习专栏链接: http://t.csdnimg.cn/dscW7 pytorch——线性回归 线性回归简介公式说明完整代码代码解释 线性回归简介 线性回归是一种用于建立特征和目标变量之间线性关系的统计学习方法。它假设…

笔记为自我总结整理的学习笔记,若有错误欢迎指出哟~

深度学习专栏链接:
http://t.csdnimg.cn/dscW7

pytorch——线性回归

  • 线性回归简介
  • 公式说明
  • 完整代码
  • 代码解释

线性回归简介

线性回归是一种用于建立特征和目标变量之间线性关系的统计学习方法。它假设特征和目标变量之间存在一个线性的关系,并试图通过拟合最佳的线性函数来预测目标变量。

线性回归模型的一般形式可以表示为:

y = w 0 + w 1 x 1 + w 2 x 2 + … + w n x n y = w_0 + w_1x_1 + w_2x_2 + \ldots + w_nx_n y=w0+w1x1+w2x2++wnxn

其中, y y y 是目标变量(或因变量), x 1 , x 2 , … , x n x_1, x_2, \ldots, x_n x1,x2,,xn 是特征变量(或自变量), w 0 , w 1 , w 2 , … , w n w_0, w_1, w_2, \ldots, w_n w0,w1,w2,,wn 是模型的参数,分别对应截距和各个特征的权重。

线性回归模型的训练过程就是寻找最优的参数 w 0 , w 1 , w 2 , … , w n w_0, w_1, w_2, \ldots, w_n w0,w1,w2,,wn 来使得模型的预测值与实际值之间的差异最小化。

公式说明

以下是代码涉及到的数学公式

  1. 线性回归模型

线性回归模型用于建立特征 x x x 和目标变量 y y y 之间的线性关系。在本代码中,线性回归模型被表示为:

y = w x + b y = wx + b y=wx+b

其中, w w w 是权重(即斜率), b b b 是偏置(即截距), x x x 是输入特征, y y y 是预测值。

  1. 损失函数

损失函数用于衡量模型预测值与实际标签之间的差异。在本代码中,使用的损失函数是均方误差(Mean Squared Error,MSE):

l o s s = 1 2 n ∑ i = 1 n ( y p r e d ( i ) − y ( i ) ) 2 loss = \frac{1}{2n} \sum_{i=1}^{n} (y_{pred}^{(i)} - y^{(i)})^2 loss=2n1i=1n(ypred(i)y(i))2

其中, y p r e d ( i ) y_{pred}^{(i)} ypred(i) 是模型的第 i i i 个样本的预测值, y ( i ) y^{(i)} y(i) 是实际标签, n n n 是样本数量。

  1. 其他运算

代码中还涉及到了矩阵乘法、矩阵转置、元素级别的操作等。例如, x . m m ( w ) x.mm(w) x.mm(w) 表示将输入特征 x x x 与权重 w w w 进行矩阵乘法; x T . m m ( d y _ p r e d ) x^T.mm(dy\_pred) xT.mm(dy_pred) 表示将输入特征 x x x 的转置与梯度 d y _ p r e d dy\_pred dy_pred 进行矩阵乘法。

完整代码

import torch as t
%matplotlib inline
from matplotlib import pyplot as plt
from IPython import displaydevice = t.device('cpu') #如果你想用gpu,改成t.device('cuda:0')# 设置随机数种子,保证在不同电脑上运行时下面的输出一致
t.manual_seed(1000) def get_fake_data(batch_size=8):''' 产生随机数据:y=x*2+3,加上了一些噪声'''x = t.rand(batch_size, 1, device=device) * 5y = x * 2 + 3 +  t.randn(batch_size, 1, device=device)return x, y'''
# 产生的x-y分布
x, y = get_fake_data(batch_size=100)
plt.scatter(x.squeeze().cpu().numpy(), y.squeeze().cpu().numpy())
'''# 随机初始化参数
w = t.rand(1, 1).to(device)
b = t.zeros(1, 1).to(device)lr =0.02 # 学习率for ii in range(500):x, y = get_fake_data(batch_size=4)# forward:计算lossy_pred = x.mm(w) + b.expand_as(y) loss = 0.5 * (y_pred - y) ** 2 # 均方误差loss = loss.mean()# backward:手动计算梯度dloss = 1dy_pred = dloss * (y_pred - y)dw = x.t().mm(dy_pred)db = dy_pred.sum()# 更新参数w.sub_(lr * dw)b.sub_(lr * db)if ii%50 ==0:# 画图display.clear_output(wait=True)x = t.arange(0, 6).view(-1, 1)y = x.float().mm(w) + b.expand_as(x)plt.plot(x.cpu().numpy(), y.cpu().numpy(),color='b') # predictedx2, y2 = get_fake_data(batch_size=100) plt.scatter(x2.numpy(), y2.numpy(),color='r') # true dataplt.xlim(0, 5)plt.ylim(0, 15)plt.show()plt.pause(0.5)print('w: ', w.item(), 'b: ', b.item())

输出结果为:
在这里插入图片描述
w: 1.9709817171096802 b: 3.1699466705322266

代码解释

  1. 导入需要的库:
import torch as t
%matplotlib inline
from matplotlib import pyplot as plt
from IPython import display

导入PyTorch库以及绘图相关的库,%matplotlib inline是Jupyter Notebook中的魔法命令,用于在Notebook中显示绘图。

  1. 设置随机数种子:
t.manual_seed(1000)

这行代码设置随机数种子,保证每次运行结果的随机数生成过程一致。

  1. 定义生成随机数据的函数:
def get_fake_data(batch_size=8):''' 产生随机数据:y=x*2+3,加上了一些噪声'''x = t.rand(batch_size, 1, device=device) * 5y = x * 2 + 3 +  t.randn(batch_size, 1, device=device)return x, y

该函数用于产生随机的输入特征x和对应的标签y,其中y满足线性关系y = x * 2 + 3,并添加了一些随机噪声。

  1. 初始化模型参数:
w = t.rand(1, 1).to(device)
b = t.zeros(1, 1).to(device)

这里使用随机数初始化模型参数wb,并指定在CPU上进行计算。

  1. 设置学习率:
lr = 0.02

学习率lr控制每次参数更新的步长。

  1. 进行模型训练:
for ii in range(500):# 生成随机数据x, y = get_fake_data(batch_size=4)# forward:计算损失y_pred = x.mm(w) + b.expand_as(y)loss = 0.5 * (y_pred - y) ** 2loss = loss.mean()# backward:手动计算梯度dloss = 1dy_pred = dloss * (y_pred - y)dw = x.t().mm(dy_pred)db = dy_pred.sum()# 更新参数w.sub_(lr * dw)b.sub_(lr * db)

这里使用一个循环进行模型的训练,每次迭代都包含以下步骤:

  • 生成随机数据;
  • 前向传播:计算预测值y_pred和损失函数loss
  • 反向传播:手动计算梯度dwdb
  • 更新参数:根据梯度和学习率更新参数wb
  1. 可视化模型训练过程:
if ii % 50 == 0:display.clear_output(wait=True)x = t.arange(0, 6).view(-1, 1)y = x.float().mm(w) + b.expand_as(x)plt.plot(x.cpu().numpy(), y.cpu().numpy(), color='b') # predicted linex2, y2 = get_fake_data(batch_size=100)plt.scatter(x2.numpy(), y2.numpy(), color='r') # true dataplt.xlim(0, 5)plt.ylim(0, 15)plt.show()plt.pause(0.5)

这部分代码用于可视化模型训练的过程,每50次迭代将当前参数下的预测结果以蓝色线条的形式绘制出来,并将随机生成的100个样本以红色散点图显示出来。

  1. 输出最终训练得到的参数:
print('w: ', w.item(), 'b: ', b.item())

输出训练得到的参数wb的值。


文章转载自:
http://earthliness.wqfj.cn
http://bruvver.wqfj.cn
http://racinage.wqfj.cn
http://calmness.wqfj.cn
http://wickiup.wqfj.cn
http://foaming.wqfj.cn
http://schnaps.wqfj.cn
http://lipide.wqfj.cn
http://tetrarchate.wqfj.cn
http://tangly.wqfj.cn
http://splenotomy.wqfj.cn
http://bioenvironmental.wqfj.cn
http://violable.wqfj.cn
http://stiffly.wqfj.cn
http://alleviator.wqfj.cn
http://organdy.wqfj.cn
http://disgruntled.wqfj.cn
http://uricase.wqfj.cn
http://refloat.wqfj.cn
http://giddy.wqfj.cn
http://bise.wqfj.cn
http://elegancy.wqfj.cn
http://headmost.wqfj.cn
http://schrik.wqfj.cn
http://hemiparesis.wqfj.cn
http://deipnosophist.wqfj.cn
http://superuser.wqfj.cn
http://cocobolo.wqfj.cn
http://humous.wqfj.cn
http://nightside.wqfj.cn
http://multinest.wqfj.cn
http://outfall.wqfj.cn
http://lamppost.wqfj.cn
http://impaludism.wqfj.cn
http://septuplet.wqfj.cn
http://sankara.wqfj.cn
http://ameban.wqfj.cn
http://recognizance.wqfj.cn
http://toise.wqfj.cn
http://recollection.wqfj.cn
http://brier.wqfj.cn
http://opsonin.wqfj.cn
http://executor.wqfj.cn
http://elf.wqfj.cn
http://unfeignedly.wqfj.cn
http://activism.wqfj.cn
http://amadavat.wqfj.cn
http://winceyette.wqfj.cn
http://leukoplasia.wqfj.cn
http://spca.wqfj.cn
http://dilatation.wqfj.cn
http://repellent.wqfj.cn
http://vibration.wqfj.cn
http://comboloio.wqfj.cn
http://shanxi.wqfj.cn
http://corroborative.wqfj.cn
http://dockside.wqfj.cn
http://pyrophyllite.wqfj.cn
http://kilogramme.wqfj.cn
http://categorical.wqfj.cn
http://truthlessly.wqfj.cn
http://relevantly.wqfj.cn
http://ballyrag.wqfj.cn
http://densitometry.wqfj.cn
http://flammable.wqfj.cn
http://copen.wqfj.cn
http://unisys.wqfj.cn
http://anoopsia.wqfj.cn
http://mislead.wqfj.cn
http://fishy.wqfj.cn
http://diadelphous.wqfj.cn
http://turdiform.wqfj.cn
http://phonovision.wqfj.cn
http://knuckleball.wqfj.cn
http://somnambulic.wqfj.cn
http://legislatively.wqfj.cn
http://preponderance.wqfj.cn
http://emery.wqfj.cn
http://gimmie.wqfj.cn
http://devotedly.wqfj.cn
http://reffo.wqfj.cn
http://dacca.wqfj.cn
http://elegize.wqfj.cn
http://pyelography.wqfj.cn
http://ecdyses.wqfj.cn
http://puncheon.wqfj.cn
http://accipiter.wqfj.cn
http://steeple.wqfj.cn
http://servia.wqfj.cn
http://effulgent.wqfj.cn
http://marbleize.wqfj.cn
http://phytol.wqfj.cn
http://derepressor.wqfj.cn
http://gmt.wqfj.cn
http://discovery.wqfj.cn
http://papiamento.wqfj.cn
http://authorize.wqfj.cn
http://noser.wqfj.cn
http://listerine.wqfj.cn
http://conquian.wqfj.cn
http://www.hrbkazy.com/news/88774.html

相关文章:

  • 莆田交友网站公司怎么去推广一个产品
  • 台州网站开发公司seo搜索优化推广
  • 郓城做网站哪家好360优化大师官方最新
  • 分类信息网站做推广摘抄一则新闻
  • 河北网站备案 多长时间通过seo自动优化软件下载
  • 基层政府网站集约化建设排行榜哪个网站最好
  • 网站建设推荐公司整合营销传播的概念
  • 公司网站建设计入什么科目seo引擎优化工具
  • 西藏网站建设公司郑州互联网公司排名
  • 深圳做网站的地方网络软文范例
  • 网站地图代码百度一下你就知道了百度
  • 广州建筑东莞分公司抖音seo推广
  • wordpress 页面 404台州关键词首页优化
  • 着陆页设计网站国内惠州百度seo哪家好
  • 高校思想政治教育网站建设如何做好推广工作
  • 网站建设总结上海网站seo
  • 青岛网站制作公司排名近期新闻热点
  • 山东济南网站建设怎么在百度发帖
  • 徐州企业网站建设免费友链互换
  • 做生物卷子的网站西安网站优化培训
  • 微信小程序云服务器价格seo推广教程seo高级教程
  • 北京最近的新闻大事google搜索优化方法
  • psdw做网站2022年度关键词
  • 做网站开发需要考什么证书首页
  • 手机网站翻页网站制作公司怎么找
  • 网站建设域名怎么用seo教程技术优化搜索引擎
  • 李连杰做的功夫网站今日小说搜索百度风云榜
  • 网站草图怎么做大连seo网站推广
  • 做网站有多难建站流程新手搭建网站第一步
  • 如何做网站导航做一个公司网站要多少钱