# -*- coding: UTF-8 -*- import numpy as np import math # 定义基础变量 learning_rate = 0.1 n_iterations = 10000 m = 100 x = 2 * np.random.rand(m, 1)  # 生成一组服从0~1均匀分布的随机样本，此处表示生成100行一列的二维数组，下同 y = 4 + 3 * x + np.random.randn(m, 1)  # 正态分布 x_b = np.c_[np.ones((m, 1)), x]  # np.((100, 1)):表示生成100行1列的矩阵，内部填充为1 # 设置阈值 threshold = 0.15 # 1，初始化theta，w0...wn theta = np.random.randn(2, 1) count = 0 before_value = 1 # 4，设置阈值，之间设置超参数，迭代次数，迭代次数到了或者满足阈值，我们就认为收敛了 for iteration in range(n_iterations):     count += 1     # 2，接着求梯度gradient gradients = 1/m * x_b.T.dot(x_b.dot(theta)-y)  # 求平均梯度     # 3，应用公式调整theta值，theta_t + 1 = theta_t - grad * learning_rate     theta = theta - learning_rate * gradients     # 判断是否满足阈值  mid = math.sqrt(math.pow((theta[0][0] - 4), 2) + math.pow((theta[1][0] - 3), 2))     if mid <= threshold:         print('总共执行{}次迭代，可知迭代次数设置过大，建议适当减小！'.format(count))         break     # 若与上一次的中间结果比较差值过小也同样结束循环     err = math.fabs(mid - before_value)     if err < 0.001:         if before_value > threshold:             print('多次迭代都不能满足阈值，请修改阈值或重新处理数据！')             break         else:             print('总共执行{}次迭代，可知迭代次数设置过大，建议适当减小！'.format(count))             break     # 暂时保存上一次的中间结果     before_value = mid print('结果：\n x is : {}\n y is : {}\n 误差 : {}'.format(theta[0][0], theta[1][0], before_value)) 结果：