【深度学习与实战】2.1、线性回归模型与梯度下降法先导
import numpy as np# 数据准备
X = np.array([1, 2, 3])
y = np.array([3, 5, 7])# 参数初始化
w0, w1 = 0, 0
alpha = 0.1
n = len(X)# 迭代10次
for epoch in range(10):# 计算预测值y_pred = w1 * X + w0# 计算梯度grad_w0 = (1/n) * np.sum(y_pred - y)grad_w1 = (1/n) * np.sum((y_pred - y) * X)# 更新参数w0 = w0 - alpha * grad_w0w1 = w1 - alpha * grad_w1# 计算损失函数loss = (1/(2*n)) * np.sum((y_pred - y)**2)print(f'Epoch {epoch+1}: w0={w0:.3f}, w1={w1:.3f}, Loss={loss:.3f}')
六、代码实现（Python示例）
import numpy as np# 数据准备
X = np.array([1, 2, 3])
y = np.array([3, 5, 7])# 参数初始化
w0, w1 = 0, 0
alpha = 0.1
n = len(X)# 迭代10次
for epoch in range(10):# 计算预测值y_pred = w1 * X + w0# 计算梯度grad_w0 = (1/n) * np.sum(y_pred - y)grad_w1 = (1/n) * np.sum((y_pred - y) * X)# 更新参数w0 = w0 - alpha * grad_w0w1 = w1 - alpha * grad_w1# 计算损失函数loss = (1/(2*n)) * np.sum((y_pred - y)**2)print(f'Epoch {epoch+1}: w0={w0:.3f}, w1={w1:.3f}, Loss={loss:.3f}')
七、总结
- 线性回归：通过线性模型拟合数据，核心是最小化预测误差。
- 梯度下降：通过计算损失函数的梯度，逐步调整参数逼近最优解。
- 核心公式：参数更新规则 wj:=wj−α∂J∂wjwj:=wj−α∂wj∂J。
- 实际应用：需注意学习率选择、特征缩放和收敛判断。
"""
2.1线性回归模型与梯度下降\
"""import numpy as np
import matplotlib.pyplot as plt# 设置随机种子（保证可重复性）
np.random.seed(42)# 生成特征 X（单变量）和标签 y
m = 100 # 样本数量
X = 2 * np.random.rand(m, 1) # 生成 [0, 2) 之间的均匀分布数据
y = 4 + 3 * X + np.random.randn(m, 1) # 真实关系: y = 4 + 3X + 高斯噪声# 可视化数据
plt.scatter(X, y, alpha=0.7)
plt.xlabel("X")
plt.ylabel("y")
plt.title("Simulated Linear Data")
plt.show()def linear_model(X, theta):"""线性回归的预测函数"""# 公式: h_θ(X) = θ₀ + θ₁X₁ + ... + θₙXₙ# X 形状: (m, n+1)（包含偏置项 1）# theta 形状: (n+1, 1)return X.dot(theta)def compute_cost(X, y, theta):"""计算均方误差（MSE）损失函数"""m = len(y)predictions = linear_model(X, theta)error = predictions - ycost = (1 / (2 * m)) * np.sum(error ** 2) # 公式: J(θ) = 1/(2m) * Σ(hθ(Xⁱ) - yⁱ)²return cost
def gradient_descent(X, y, theta, alpha, num_iters):"""批量梯度下降算法"""m = len(y)cost_history = [] # 记录每次迭代的损失值for _ in range(num_iters):predictions = linear_model(X, theta)error = predictions - ygradients = (1 / m) * X.T.dot(error) # 公式: ∇J(θ) = 1/m * Xᵀ(Xθ - y)theta -= alpha * gradients # 参数更新: θ := θ - α∇J(θ)cost = compute_cost(X, y, theta)cost_history.append(cost)return theta, cost_history# 在特征矩阵 X 中添加偏置项（x₀ = 1）
X_b = np.c_[np.ones((m, 1)), X] # 形状: (m, 2)# 初始化参数 θ（θ₀, θ₁）
theta_initial = np.random.randn(2, 1)# 设置超参数
alpha = 0.1 # 学习率
num_iters = 1000 # 迭代次数# 运行梯度下降
theta_optimized, cost_history = gradient_descent(X_b, y, theta_initial, alpha, num_iters)# 打印最优参数
print(f"最优参数: θ₀ = {theta_optimized:.3f}, θ₁ = {theta_optimized:.3f}")# 绘制损失函数下降曲线
plt.plot(range(num_iters), cost_history)
plt.xlabel("Iteration")
plt.ylabel("Cost (MSE)")
plt.title("Cost Function Convergence")
plt.show()# 绘制拟合直线和数据点
plt.scatter(X, y, alpha=0.7, label="Data")
plt.plot(X, X_b.dot(theta_optimized), color='red', linewidth=2, label="Linear Regression Fit")
plt.xlabel("X")
plt.ylabel("y")
plt.legend()
plt.title("Linear Regression with Gradient Descent")
plt.show() 
相关文章：
【深度学习与实战】2.1、线性回归模型与梯度下降法先导
import numpy as np# 数据准备 X np.array([1, 2, 3]) y np.array([3, 5, 7])# 参数初始化 w0, w1 0, 0 alpha 0.1 n len(X)# 迭代10次 for epoch in range(10):# 计算预测值y_pred w1 * X w0# 计算梯度grad_w0 (1/n) * np.sum(y_pred - y)grad_w1 (1/n) * np.sum((y_…...
SQL Server 2008安装教程
目录 一.安装SQL Server 二.安装SQL Server Management Studio 三.使用SQL Server Management Studio 一.安装SQL Server 官网下载:SQL Server 下载 | Microsoft 1.选择安装中的全新安装如下图 2.功能选择 3.实例配置 4.后面一直下一步到数据库引擎配置 密码自己设置 系统…...
协作机械臂需要加安全墙吗？ 安全墙 光栅 干涉区
安全墙是什么 文章目录 安全墙是什么简介1. 物理安全墙1.1 定义：1.2 作用机制：1.3 应用场景： 2. 虚拟安全墙2.2 定义：2.3 作用机制：2.3 应用场景： 3. 安全毛毯3.1 工作原理：3.2 特点3.3 应用场景…...
Android第六次面试总结（自定义 View与事件分发）
在 Android 中实现自定义 View 处理 1 万条数据的流畅滑动，需结合视图复用、按需绘制、硬件加速等核心技术。以下是具体实现方案： 一、核心优化策略 1. 视图复用机制（类似 RecyclerView） ViewHolder 模式：将每个数据…...
深度解读 AWS IAM：身份访问管理与安全的核心纽带
导语 在 AWS（亚马逊云服务）的生态体系中，AWS IAM（Identity and Access Management）犹如坚固的堡垒，守护着用户在云端的各类资源。它不仅是管理用户身份与访问权限的关键工具，更是维系 AWS 安全…...
Oracle相关的面试题
以下是150道Oracle相关的面试题，涵盖了Oracle的基础概念、架构、SQL与PL/SQL、性能调优、高可用性、备份与恢复、安全、分区与索引、存储与内存管理、网络与连接、版本与升级等方面，希望对你有所帮助。 Oracle基础概念 1. 什么是Oracle数据库࿱…...
DQL语句-distinct去重
MySQL | DQL语句-distinct去重 🪄个人博客：https://vite.xingji.fun 查询工作岗位 select job from emp;mysql> select job from emp;----------- | job | ----------- | CLERK | | SALESMAN | | SALESMAN | | MANAGER | | SALESMAN …...
GroupDocs.Total for Java 摸索学习
继Aspose.Total for Java 全套组件的学习之后，发现了GroupDocs.Total系列产品的13款，也是花了许久的事件，逐个的学习摸索、深度分析、总结实践，掌握了它们的科学使用。 商业技术软件，作为技术广度学习探索使用&#x…...
⑦（ACG-网络配置）
网络配置是指对计算机网络的各种参数进行设置和调整，以实现网络正常运行和高效通信。网络配置包括多方面的内容，常见的配置包括： 1. IP地址设置：IP地址是设备在网络中的身份标识，设置IP地址是网络配置的基础ÿ…...
智能汽车图像及视频处理方案，支持视频智能包装能力
美摄科技的智能汽车图像及视频处理方案，通过深度学习算法与先进的色彩管理技术，能够自动调整图像中的亮度、对比度、饱和度等关键参数，确保在各种光线条件下，图像都能呈现出最接近人眼的自然色彩与细节层次。这不仅提升了驾驶者的…...
【电子通识】铅笔硬度简史：从石墨到工业标准
在工作中我们会发现有时要使用铅笔硬度计来测试材料的硬度。 比如说手机的液晶屏，我们可能要求要通过3H、4H等等。那么为什么会用铅笔来做硬度测试呢？这就要知道相关的历史了。 铅笔硬度简史：从石墨到工业标准 “一支铅笔，如何成…...
：揭秘自动化测试秘诀)
前端自动化测试(一)：揭秘自动化测试秘诀
目录 [TOC](目录)前言自动化测试 VS 手动测试测试分类何为单元测试单元测试的优缺点优点缺点 测试案例测试代码 测试函数的封装实现 expect 方法实现 test 函数结语 正文开始 ， 如果觉得文章对您有帮助，请帮我三连订阅，谢谢💖&…...
《Python实战进阶》No37: 强化学习入门：Q-Learning 与 DQN-加餐版1 Q-Learning算法可视化
在《Python实战进阶》No37: 强化学习入门：Q-Learning 与 DQN 这篇文章中，我们介绍了Q-Learning算法走出迷宫的代码实践，本文加餐，把Q-Learning算法通过代码可视化呈现。我尝试了使用Matplotlib实现，但局限于Matplotli…...
将ZABBIX结合AI实现自动化运维
1. 执行摘要 评估将ZABBIX监控系统与人工智能（AI）相结合，以实现自动化IT运维的可行性。这种集成具有显著的潜力，能够提升IT运维的效率、可靠性和主动性。通过利用ZABBIX强大的监控和告警功能，以及AI在异常检测、根因分…...
Go 语言规范学习（2）
文章目录 VariablesTypesBoolean typesNumeric typesString typesArray typesSlice typesStruct typesPointer typesFunction typesInterface typesBasic interfacesEmbedded interfacesGeneral interfaces【泛型接口】Implementing an interface【实现一个接口】 Map typesCha…...
XCode中使用MonkeyDev开发iOS版的Comand-line Tool的daemon程序
前提条件：iphone手机越狱ios15，cydia/Sileo中安装好ssh，ldid等相关的常用插件 备注：如何iphone是ios15以下的越狱机，可直接看11步 1. 安装MonkeyDev sudo /bin/sh -c "$(curl -fsSL https://raw.githubusercon…...
Nodejs上传文件的问题
操作系统：window和linux都会遇到 软件环境：v20.10.0的Nodejs 1、前端代码如下： 2、后端Nodejs 2.1、注册接口 2.2、上传接口 其中memoryUpload方法代码如下： 3、用页面上传文件 查看具体报错原因： TypeError: sourc…...
SpringMVC 拦截器详解与实战
在 SpringMVC 框架中，拦截器（Interceptor）是一种强大的机制，它允许开发者在控制器方法执行前后进行拦截，从而实现诸如用户权限验证、日志记录、性能监控等各种功能。本文将深入探讨 SpringMVC 拦截器的相关知识&#x…...
5.3 MVVM模型
一、MVVM的基本概念 MVVM的基本概念：Model、View、ViewModel 组件职责示例内容Model封装业务数据User类，包含姓名、年龄属性View负责UI呈现XAML界面，包含数据绑定ViewModel连接View和Model，处理视图逻辑MainViewModel包含命令和…...
6、进程理论和简单进程创建
一、了解进程推荐看这个视频，很详细 1、概念 进程(Process)程序的运行过程，是系统进行资源分配和调度的独立单元程序的运行过程：多个不同程序 并发，同一个程序同时执行多个任务。 就需要很多资源来实现这个过程。 每个进程都有一…...
python面试-基础
Python 面试题：解释 filter 函数的工作原理 难度: ⭐⭐ 特点: filter 函数是 Python 内置的高阶函数，用于过滤序列中的元素。这道题考察面试者对函数式编程概念的理解以及对 filter 函数的实际应用能力。和 map 函数类似, Python 3 中的 filter 返回一…...
全分辨率免ROOT懒人精灵-自动化编程思维-设计思路-实战训练
全分辨率免ROOT懒人精灵-自动化编程思维-设计思路-实战训练 1.2025新版懒人精灵-实战红果搜索关键词刷视频：https://www.bilibili.com/video/BV1eK9kY7EWV 2.懒人精灵-全分辨率节点识别（红果看广告领金币小实战）：https://www.bili…...
前后端常见模型以及相关环境配置介绍
一、前端常见框架 Vue.js 特点：采用数据驱动的响应式编程，组件化的开发模式使得代码结构清晰，易于维护，且学习成本相对较低，适合初学者和快速迭代的项目。应用场景：广泛应用于各类 Web 应用开发ÿ…...
西电考研目前缺额专业，调剂助力上岸！
注意啦！准备调剂的兄弟们看过来：今天带大家梳理【西电调剂】的相关内容。助力大家上岸西安电子科技大学研究生 调剂必须在短时间内迅速做出决策，收集信息、筛选院校、准备复试，每一个环节都容不得丝毫懈怠！现在除了关注…...
英语四六级听力考试网络广播系统建设方案：助力大学英语四六级听力考试清晰度与可靠性升级
英语四六级听力考试网络广播系统建设方案：助力大学英语四六级听力考试清晰度与可靠性升级 北京海特伟业科技有限公司任洪卓发布于2025年3月26日 一、建设背景：听力考试的重要性与现有系统的痛点 英语四六级考试听力部分作为学生英语听力能力的直接检验…...
性能比拼: Rust vs C++
本内容是对知名性能评测博主 Anton Putra 1个月前 Rust vs C Performance 内容的翻译与整理, 有适当删减, 相关指标和结论以原作为准 介绍 在本视频中，将对比 Rust 和 C。 会使用 Axum 框架的一个稍微改进的版本，该框架基于 Hyper 和 Tokio 运行时&am…...
b站视频提取mp4方案
引言 对于b站视频，有些视频是不能提取字幕的，所以我们想把对应的视频下载下来，然后进行对应的本地处理，获得所需的自由处理，吞食视频。 整体思路 下载b站客户端 ----> 把缓存路径修改------> 下载所需视频---…...
PyQt6实例_批量下载pdf工具_exe使用方法
目录 前置： 工具使用方法： step one 获取工具 step two 安装 step three 使用 step four 卸载 链接 前置： 1 批量下载pdf工具是基于博文 python_巨潮年报pdf下载-CSDN博客 ，将这个需求创建成界面应用，达到可…...
【java笔记】泛型、包装类、自动装箱拆箱与缓存机制
一、泛型：类型安全的基石 1. 泛型的本质与原理 Java 泛型（Generics）是 JDK 5 引入的特性，通过类型参数化实现代码的通用性。泛型类、接口和方法允许在定义时声明类型参数（如 T、E、K、V），这些…...
)
计算机网络——传输层(TCP)
传输层 在计算机网络中，传输层是将数据向上向下传输的一个重要的层面，其中传输层中有两个协议，TCP，UDP 这两个协议。 TCP 话不多说，我们直接来看协议报头。 源/目的端口号：表示数据从哪个进程来࿰…...
Go 语言规范学习（1）
文章目录 IntroductionNotation示例（Go 语言的 if 语句）： Source code representationCharacters例子：变量名可以是中文 Letters and digits Lexical elementsCommentsTokensSemicolons例子：查看程序所有的token Ident…...
深入理解椭圆曲线密码学（ECC）与区块链加密
椭圆曲线密码学（ECC）在现代加密技术中扮演着至关重要的角色，广泛应用于区块链、数字货币、数字签名等领域。由于其在提供高安全性和高效率上的优势，椭圆曲线密码学成为了数字加密的核心技术之一。本文将详细介绍椭圆曲线的基本原理…...
)
nginx优化(持续更新！！！)
1.调整文件描述符 # 查看当前系统文件描述符限制 ulimit -n# 永久修改文件描述符限制 # 编辑 /etc/security/limits.conf 文件，添加以下内容 * soft nofile 65535 * hard nofile 65535# 编辑 /etc/sysctl.conf 文件，添加以下内容 fs.file-max 655352.调…...
ARCGIS PRO SDK 创建右键菜单
ArcGIS Pro SDK中的弹出式右键菜单常见的在地图视图、布局视图、文件目录等地方，随便右键点击某个文件、要素、要素类，一般都会弹出一个右键菜单。 操作对象右键菜单 refID要素图层esri_mapping_layerContextMenushp图层esri_mapping_unregisteredLaye…...
编译原理——LR分析
文章目录 LR分析概述一、LR分析概述二、LR(0)分析概述（一）可归前缀和子前缀（二）识别活前缀的有限自动机（三）活前缀及可归前缀的一般计算方法（四）LR(0)项目集规范族的构造 三、SLR(1)…...
css100个问题
一、基础概念 CSS的全称及作用是什么？行内样式、内部样式表、外部样式表的优先级？解释CSS的层叠性（Cascading）CSS选择器优先级计算规则伪类与伪元素的区别？举例说明!important的作用及使用注意事项如何继承父元素字体…...
js文字两端对齐
目录 一、问题 二、原因及解决方法 三、总结 一、问题 1.text-align: justify; 不就可以了吗？但是实际测试无效 二、原因及解决方法 1.原因：text-align只对非最后一行文字有效。只有一行文字时，text-align无效，要用text-alig…...
Java-面向对象-多态和抽象类
目录 什么是多态？ 多态的优点 多态存在的三个必要条件 虚函数 重写 多态的实现方式 什么是抽象类？ 继承抽象类 实现抽象方法 抽象类总结 什么是多态？ 多态就是一个行为具有多种不同的表现形式。 举例： 我们按下 F1 键…...
前端性能优化：深入解析哈希算法与TypeScript实践
/ 示例：开放寻址哈希表核心实现 class OpenAddressingHashTable<T> {private size: number;private keys: (string | null)[];private values: (T | null)[];private tombstone Symbol(Deleted);constructor(size: number 53) {this.size size;this.keys …...
车架号查询车牌号接口如何用Java对接
一、什么是车架号查询车牌号接口？ 车架号查询车牌号接口，即传入车架号，返回车牌号、车型编码、初次登记日期信息。车架号又称车辆VIN码，车辆识别码。 二、如何用Java对接该接口？ 下面我们以阿里云接口为例࿰…...
linux input子系统深度剖析
input 就是输入的意思，因此 input 子系统就是管理输入的子系统，和 pinctrl 、 gpio 子系统 一样，都是 Linux 内核针对某一类设备而创建的框架。比如按键输入、键盘、鼠标、触摸屏等 等这些都属于输入设备，不同的输入设备…...
香蕉派 BPI-CM6 工业级核心板采用进迭时空K1 8核 RISC-V 芯片开发
BPI-CM6 产品介绍 香蕉派BPI-CM6是一款工业级RISC-V核心板，它采用SpacemiT K1 8核RISC-V芯片设计，CPU集成2.0 TOPs AI计算能力。8/16G DDR和8/16/32/128G eMMC。设计了板对板连接器，以增强稳定性，与树莓派CM4尺寸相同，…...
9.4分漏洞！Next.js Middleware鉴权绕过漏洞安全风险通告
今日，亚信安全CERT监控到安全社区研究人员发布安全通告，Next.js 存在一个授权绕过漏洞，编号为 CVE-2025-29927。攻击者可能通过发送精心构造的 x-middleware-subrequest 请求头绕过中间件安全控制，从而在未授权的情况下访问受保护…...
【Unity3D实现UI轮播效果】
系列文章目录 unity工具 文章目录 系列文章目录👉前言👉一、效果展示👉二、实现步骤👉2-1、搭建UI👉2-2、代码实现👉2-3、代码挂载使用👉三、扩展实现👉壁纸分享👉总结👉前言 功能需求如图所示，点击下一个按钮，所有卡片向右滚动，其中最后一张需要变更…...
谈谈 Webpack 中的 Loader 和 Plugin，它们的区别是什么？
Webpack Loader与Plugin深度解析 作为前端工程化的核心工具，Webpack的Loader和Plugin机制是其强大扩展能力的基石。 理解它们的差异和适用场景，是构建高效打包体系的关键。 我们将从底层原理到实际应用，深入剖析两者的区别。 核心概念对比…...
C#单例模式
单例模式 (Singleton),保证一个类仅有一个实例，并提供一个访问它的全局访问点。通常我们可以让一个全局变量使得一个对象被访问，但它不能防止你实例化对个对象，一个最好的办法就是，让类自身负责保护它的唯一实例。这个类可以保证没…...
Oracle 数据库通过exp/imp工具迁移指定数据表
项目需求：从prod数据库迁移和复制2个表(BANK_STATE，HBS)的数据到uat数据库环境。 数据库版本：Oracle Database 19c Enterprise Edition Release 19.0.0.0.0 迁移工具：客户端exp/imp工具 -- 执行命令 从Prod数据库导出数据exp us…...
MongoDB 与 Elasticsearch 使用场景区别及示例
一、核心定位差异 MongoDB 定位：通用型文档数据库，侧重数据的存储、事务管理及结构化查询，支持 ACID 事务。典型场景： 动态数据结构存储（如用户信息、商品详情）。需事务支持的场景…...
PyTorch生成式人工智能实战：从零打造创意引擎
PyTorch生成式人工智能实战：从零打造创意引擎 0. 前言1. 生成式人工智能1.1 生成式人工智能简介1.2 生成式人工智能技术 2. Python 与 PyTorch2.1 Python 编程语言2.2 PyTorch 深度学习库 3. 生成对抗网络3.1 生成对抗网络概述3.2 生成对抗网络应用 4. Transformer4…...
蓝桥杯高频考点——二分（含C++源码）
二分 基本框架整数查找（序列二分的模版题 建议先做）满分代码及思路solution 子串简写满分代码及思路solution 1（暴力 模拟双指针70分）solution 2（二分 AC） 管道满分代码及思路样例解释与思路分析solution 最…...