AI 小径
我们这次要拟合的关系是一个一元二次方程 目标 * 理解参数初始化对于模型效果的重要影响。 * 学习模型训练过程中，如何通过观察损失值相应的调整学习率、epoch大小。 数据构建 这次我们在准备数据的时候，就将数据进行划分好，总训练集100个，训练集90个，测试集10个。 # 生成准备y = x^2 + 2x + 1数据，共100个点，并按9:1的比例划分为训练集和测试集,并保存到CSV文件 import numpy as np from sklearn.model_selection import train_test_split # 生成输入数据 x = np.linspace(-10, 10, 100) # 在[-10, 10]范围内生成100个均匀分布的点 # 生成目标输出数据 y = x**2 + 2 * x
AI 小径
在现代人工智能技术中，神经网络通常被应用于复杂的非线性问题，如图像分类、语音识别和自然语言处理。然而，即便是简单的数学关系，像一元线性方程（y = ax + b） 的拟合，对于理解神经网络的基本原理、训练过程及其局限性会是很好的学习案例。 本文将探索如何利用神经网络来拟合这样一个简单的线性方程。我们将从零开始搭建一个基础网络，通过逐步训练，观察网络如何学习到输入与输出之间的线性关系。通过这个简单的示例，我们不仅可以验证神经网络的学习能力，还可以揭示一些训练过程中的常见挑战和优化技巧。 选择拟合的目标方程是： 目标 * 对可视化探索、模型构建、模型训练、模型测试有一个全程直观了解。 * 观察学习率、epoch调整对结果训练结果带来的影响。 数据构建 先来手动制作一批训练数据，以便为神经网络提供可用于拟合的样本数据。可以快速编写一个小脚本，生成 100 对 (x, y) 数据点，并将其保存在 train.csv 文件中。我们选择了一元线性方程 y = ax + b 的形式，后续构建神经网络及训练的目标是，通过训练逐步学习到系数 a