Python 我怎样才能想象这个梯度下降算法？

如何直观地显示此梯度下降算法（例如图形）

我尝试用matplotlib制作一个非常简单的绘图，但无法将线条实际显示出来（图形初始化正确，但线条没有出现）

以下是我所做的：

plt.plot(iterations, predicted)
plt.ylabel("Prediction")
plt.xlabel("Iteration Number")
plt.show()

我试着做了一个搜索，但我发现没有一个资源适用于这种特殊的梯度下降格式

---

非常感谢您的帮助。

迭代次数和预测次数都是代码中的标量（即一维），这就是您无法生成折线图的原因。您需要将它们的值存储在两个数组中，以便能够绘制它们，我在下面提供了一个示例

K = 10000

iterations = numpy.arange(K)
predicted = numpy.zeros(K)

for k in range(K):

    # Forward Pass
    y = w * x

    predicted[k] = sigmoid(y)

    err = error(predicted[k], target)

    # Backward Pass
    g1 = error_predicted_deriv(predicted[k], target)

    g2 = activation_sop_deriv(predicted[k])

    g3 = sop_w_deriv(x)

    grad = g3 * g2 * g1

    # print(predicted[k])

    w = update_w(w, grad, learning_rate)

---

谢谢你的例子。我修改了代码，这一行出现了。然而，与我下面的例子不同，这条线似乎是直线下降，而不是曲线。这是与输入值有关还是与

w

未按应有的方式更新有关？另外，您如何能够将

迭代

和

预测

识别为标量？再次感谢，非常感谢。@JohanC啊，是的！这似乎解决了问题。谢谢你。

K = 10000

iterations = numpy.arange(K)
predicted = numpy.zeros(K)

for k in range(K):

    # Forward Pass
    y = w * x

    predicted[k] = sigmoid(y)

    err = error(predicted[k], target)

    # Backward Pass
    g1 = error_predicted_deriv(predicted[k], target)

    g2 = activation_sop_deriv(predicted[k])

    g3 = sop_w_deriv(x)

    grad = g3 * g2 * g1

    # print(predicted[k])

    w = update_w(w, grad, learning_rate)