基本概念

损失函数也叫代价函数。损失函数就是计算预测结果和实际结果差距的函数，机器学习的过程就是试图将损失函数的值降到最小。

图左：｜t_p - t_c｜             图右：（t_p - t_c）**2

代码实现

过程推导

训练数据：

t_c = [0.5,14.0,15.0,28.0,11.0,8.0,3.0,-4.0,6.0,13.0,21.0]
t_u = [35.7,55.9,58.2,81.9,56.3,48.9,33.9,21.8,48.4,60.4,68.4]

通过散点图观察到训练数据与真值对应关系是线性变化，我们假设该方程为：y=wx+b

由此可以定义一个模型：

# 定义模型，假设这是一个简单的线性模型
def model(t_c,w,b):
    return t_c*w+b

我们需要计算预测值与真实值的差距（损失函数）来更新w和b的参数，来找到最适合的w和b值。

# 定义损失计算函数
def loss_fn(t_p,t_c):
    return ((t_p-t_c)**2).mean()

计算损失：

w = torch.ones(())
b = torch.zeros(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u)
# loss tensor(1763.8848)

手动更新损失降损失降低至最小：

w = torch.ones(())
b = torch.ones(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u)
# loss tensor(1682.2847)

完整代码

import torch
import numpy as np
import matplotlib.pyplot as plt
# 训练数据
t_c = [0.5,14.0,15.0,28.0,11.0,8.0,3.0,-4.0,6.0,13.0,21.0]
# 对应真值
t_u = [35.7,55.9,58.2,81.9,56.3,48.9,33.9,21.8,48.4,60.4,68.4]
t_c = torch.tensor(t_c)
t_u = torch.tensor(t_u)
# 数据观察
# plt.scatter绘制散点图，参数C是点的颜色，edgecolors是点的边框颜色
plt.scatter(t_c,t_u,c='r',edgecolors='g')
# 定义模型，假设这是一个简单的线性模型
def model(t_c,w,b):
    return t_c*w+b
# 定义损失计算函数
def loss_fn(t_p,t_c):
    return ((t_p-t_c)**2).mean()

# 计算损失
w = torch.ones(())
b = torch.zeros(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u) # tensor(1763.8848)


# 手动更新损失
w = torch.ones(())
b = torch.ones(())
t_p = model(t_c,w,b)
loss = loss_fn(t_p,t_u) # tensor(1682.2847)