ai大模型-线性结构算法-小白-代码讲解-扩展思路

张开发
• 2026/4/8 14:59:55 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

ai大模型-线性结构算法-小白-代码讲解-扩展思路
ai大模型-线性结构算法-小白-代码讲解-扩展思路线性结构算法的思路1.先对训练的数据进行画图展示初步判断大致是什么曲线如判断为线性结构写出两个函数期望函数ywx误差函数ywxb。2.对于的未知数就是权重和x相关的w以及误差值b。3.需要对w进行一个初步的范围估值比如是05。3.对应的我们知道了因变量y和自变量x以及w的范围遍历范围内所有的w通过期望函数减去真实值算出所有的误差值b再进行累加求平均值。5.最好就得到了每个权w对应误差值b都有一个值就能画出一个关于误差值的函数图像。直接代码展示# 引入对应的库importnumpyasnpimportmatplotlib.pyplotasplt# 初始化数据这里举简单的例子更好理解x[1,2,3,4,5]y[4,8,12,16,20]# 初始化一个期望函数y wxdefforward(x,w):returnx*w# 定义误差值方法现实中的数据不可能是一个一一对应的关系肯定是误差值的不能保证误差值是固定的但是要让假设的函数更加贴近现实数据这一系列的过程就是我们假设函数求出权重与误差的关系找到误差最小的值对应的权重。defloss(y_pred,y_true):# 也就是 wx-wxb的平方return(y_pred-y_true)**2# 这里是我们期望的函数值forward(x)与实际y的差值一个误差值。# 接受权重wx_list[]# 接受y误差值y_list[]# 开始遍历每一个范围的权重这个权重是我们初步判断的一个范围不必深究怎么来的范围。foriinnp.arange(0,9,0.1):# 这里就是0-9的范围步长。# 对误差值进行赋值为0y_loss0# 添加权重x_list.append(i)forx1,y1inzip(x,y):# 期望函数的值y_fwdforward(x1,i)# 误差函数的值y_lossloss(y_fwd,y1)# 算出平均值并且把累加的误差值进行添加y_list.append(y_loss/len(y))# 画出函数plt.xticks(np.arange(0,8.5,0.5))plt.yticks(np.arange(0,max(y_list)10,10))plt.plot(x_list,y_list)plt.show()总结写下来发现还是挺简单的无非就是定义一个只与x相关的y函数再定一个有误差的函数遍历权重的范围。将他们相减取平方这里平方是为了不要有复数。最后就会得到一个权重w与误差值b的相关函数最后求得一个误差值最小的权重。扩展这个思路延伸下去就会发现无论是线性还是其他的初等函数我们都可以利用这个思路。如果函数对应的是lnx大致图像权重就是直接是e如果是log其他数权重就是底数如此思想我们就掌握了所有初等函数的结构。

更多文章