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 pltimport numpy as npfrom mpl_toolkits.mplot3d import Axes3Dclass 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()关于“pytorch实践线性模型3d源码分析”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网行业资讯频道，小编每天都会为大家更新不同的知识点。
