一、实验介绍

使用Numpy实现
- 线性模型搭建
- 构造损失函数
- 进行模型前向传播并计算损失值

二、实验环境

conda create -n DL python=3.7

conda activate DL

pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

conda install matplotlib

三、实验内容

0. 导入库

首先，导入了numpy库，用于进行数值计算。

import numpy as np

1. 定义线性模型`linear_model`

该函数接受输入数据x，使用随机生成的权重w和偏置b，计算输出值output。这里的线性模型的形式为 output = x * w + b。

def linear_model(x):
    w = np.random.randn(1)
    b = np.random.randn(1)
    output = np.dot(x, w) + b
    return output

2. 定义损失函数`loss_function`

该函数接受目标值y和模型预测值prediction，计算均方误差损失。均方误差损失的计算公式为 (prediction - y) * (prediction - y)。

def loss_function(y, prediction):
    loss = (prediction - y) * (prediction - y)
    return loss

3. 定义数据

生成了一个形状为(5, 1)的随机输入数据x，每个元素都是在0到1之间的随机数。
生成了一个形状为(5,)的目标值y，包含了5个标签（1或-1），用于模型训练和损失计算。
打印了数据的信息，包括每个样本的输入值x和目标值y。

x = np.random.rand(5, 1)
y = np.array([1, -1, 1, -1, 1]).astype('float')
print("The data is as follows:")
for i in range(x.shape[0]):
    print("Item " + str(i), "x:", x[i][0], "y:", y[i])

4. 调用函数

调用linear_model函数，传入输入数据x，得到模型的预测值prediction。
调用loss_function函数，传入目标值y和预测值prediction，得到损失值loss。
打印了每个样本的损失值。

prediction = linear_model(x)
loss = loss_function(y, prediction)
print("The all loss value is:")
for i in range(len(loss)):
    print("Item ", str(i), "Loss:", loss[i])