首先我们生成一些数据点作为测试点，如果有测试点数据则这步就没用了
import numpy as np import matplotlib.pyplot as plt points = [] for i in range(300): x = round(np.random.uniform(0,20),2) noise = np.random.normal(0,1) y = round(0.825 * x + noise,2) points.append([x,y]) plt.scatter(x,y,c = 'r') plt.show()可以简单看一下生成的数据散点图 接下来正式进入到线性回归的运算中 第一步：我们需要实现误差计算函数 公式： 代码实现：
#step 1:实现计算误差函数 def compete_error_for_given_points(b,w,points): total_error = 0 for i in range(0,len(points)): x = points[i,0] y = points[i,1] total_error += (y-(w*x+b))**2#均方误差 return total_error / float(len(points))第二步：计算梯度和更新 公式： 其中lr为学习率learing rate，loss分别对w,b求偏导， 代码实现
#step 2:计算梯度和更新 def compete_gradient_and_update(b_current,w_current,lr,points): w_gradient = 0 b_gradient = 0 N = float(len(points)) for i in range(0,len(points)): x = points[i,0] y = points[i,1] w_gradient += (2/N)*x*((w_current*x+b_current)-y) b_gradient += (2/N)*((w_current*x+b_current)-y) new_w = w_current - (lr*w_gradient) new_b = b_current - (lr*b_gradient) return [new_w,new_b]第三步，训练次数循环 代码实现：
#step 3：w and b ，loop def gradient_desent_runner(w_start,b_start,lr,times,points): b = b_start w = w_start for i in range(times): w,b = compete_gradient_and_update(b,w,lr,np.array(points)) return [w,b]最后，赋值运行看一下：
def run(): lr = 0.001 initial_b = 0 initial_w = 0 times = 1500 print("Starting Giadient desent at w ={0},b ={1},error={2}" .format(initial_w,initial_b,compete_error_for_given_points(initial_b,initial_w,np.array(points)))) print("Running:") [w,b] = gradient_desent_runner(initial_w,initial_b,lr,times,points) print("After {0} times w = {1},b = {2},error = {3}" .format(times,w,b,compete_error_for_given_points(b,w,np.array(points)))) if __name__ == '__main__': run()运行结果： 最后的w and b可以对比我们生成数据时候的w，看以看到ERROR变化还是比较大的，在CPU版本运行下，时间还是挺快的。
