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y=wx，误差函数：y=wx+b。
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（0，5）。
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-（wx+b）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_loss=0# 添加权重x_list.append(i)forx1,y1inzip(x,y):# 期望函数的值y_fwd=forward(x1,i)# 误差函数的值y_loss+=loss(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。