1.1 散点输入

有一些散点，将它们绘制在一个二维坐标中，其分布如下图所示：

1.2 定义前向模型

在y=wx+b中：

• 输入特征：x，只有一个因此本实验只能选择一维
• 输出特征：y，只有一个因此本实验只能选择一维
• 样本数量：用来训练模型的数据点数量。

如果样本数量是m，则可以把x认为是一个1*m的矩阵，即1行m列。

当有多个输入特征时，公式就变成了

，x就是一个n*m的矩阵了。这些内容后续会学习，现在有个概念即可。

选择好输入特征和输出特征后，按照自求导线性回归的思路，我们应该进行w和b的初始化，给模型一个起始点，使其能够开始学习并逐渐优化参数。而在使用框架实现时，参数的初始化是框架自动处理的（随机值），所以就不用我们再去手动初始化w和b这两个参数了。

1.3 定义损失函数和优化器

在选择好前向的模型后，需要定义反向传播过程中用到的一些超参数。

• 损失函数

本实验为MSE（均方误差），这也是我们之前一直用到的损失函数，也可以使用一些其他的损失函数，后续会引入其他的损失函数。

• 优化器

优化器是参数的更新方式，用来降低损失函数值的，比如我们非常熟悉的梯度下降（GD）其实就是一种优化器，也叫做优化函数，关于优化器更加深入的内容会在后续的深度学习章节中介绍，这里不再过多叙述。

本例使用的SGD（随机梯度下降）是基于梯度下降实现的，在每个迭代（epoch）中，它随机选择多个小批量（batch_size，≤样本数）样本来计算梯度并更新参数。这种随机性有助于模型在参数空间中进行更广泛的探索，从而有可能跳出局部最小值，并在所有样本都被用于计算梯度后完成一个epoch。

• 学习率

大多数优化器确实需要一个控制步长大小的参数，例如梯度更新公式中，

w新=w旧-学习率*梯度

在深度学习的三种框架中，关于损失函数和优化器的代码实现都已经封装好了，只需要选择使用哪种即可。

1.4 开始迭代

1.5 显示频率设置

迭代多少次显示一次

1.6 拟合线显示与输出