深度学习 %matplotlib inline

%matplotlib inline 是在 Jupyter Notebook 中使用的一个魔法命令，主要用于配置 Matplotlib 图形的显示方式。具体来说，这个命令的作用是将 Matplotlib 生成的图形直接嵌入到 notebook 中，而不是在弹出的窗口中显示。

使用方法

在 Jupyter Notebook 的代码单元中输入以下命令：

%matplotlib inline

作用

• 内嵌显示：执行后，所有使用 Matplotlib 绘制的图形会直接显示在代码单元下方。
• 方便展示：适合于数据分析、可视化和教学等场景，可以方便地展示图形，而无需额外窗口。

示例

下面是一个简单的例子，演示如何使用 %matplotlib inline：

import matplotlib.pyplot as plt
import numpy as np

# 启用 inline 模式
%matplotlib inline

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制图形
plt.plot(x, y)
plt.title("Sine Wave")
plt.xlabel("x")
plt.ylabel("sin(x)")
plt.show()

结果

运行上述代码后，会看到一个正弦波图形直接显示在 Jupyter Notebook 中。

线性回归从0开始：

首先，导入所需的包或模块：

%matplotlib inline 
from IPython import display 
from matplotlib import pyplot as plt 
from mxnet import autograd,nd 
import random

代码解释

1. %matplotlib inline:

   • 这是一个魔法命令，用于在 Jupyter Notebook 中直接显示 Matplotlib 绘制的图形，而不需要调用 plt.show()。

2. from IPython import display:

   • 这个模块提供了在 Jupyter Notebook 中显示各种媒体类型的工具，包括图像、视频和 HTML 内容。

3. from matplotlib import pyplot as plt:

   • Matplotlib 是一个用于绘制图形的库，pyplot 提供了一系列方便的函数，使 Matplotlib 的使用类似于 MATLAB。

4. from mxnet import autograd, nd:

   • MXNet 是一个深度学习框架。
     • autograd 用于自动微分，适合构建和训练神经网络。
     • nd 是一个类似于 NumPy 的多维数组类，但针对 GPU 进行了优化。

5. import random:

   • Python 内置的随机库，用于生成随机数和执行随机操作，例如打乱列表或选择随机元素。

   导入库

   %matplotlib inline
   from IPython import display
   from matplotlib import pyplot as plt
   from mxnet import autograd, nd
   import random

   生成随机数据

   x = nd.array([random.uniform(0, 10) for _ in range(100)]) # 生成100个随机x值
   y = nd.array([2.5 * xi + random.uniform(-1, 1) for xi in x]) # 线性关系 y = 2.5x + 噪声

   创建简单的线性回归模型

   W = nd.random_normal(shape=(1,), ctx=x.context) # 初始化权重
   b = nd.random_normal(shape=(1,), ctx=x.context) # 初始化偏置

   定义损失函数

   def loss(y_true, y_pred):
   return ((y_true - y_pred) ** 2).mean() # 均方误差

   训练模型

   learning_rate = 0.01
   for epoch in range(10):
   with autograd.record(): # 开始记录梯度
   y_pred = W * x + b # 线性模型
   l = loss(y, y_pred) # 计算损失
   l.backward() # 反向传播
   W[:] -= learning_rate * W.grad # 更新权重
   b[:] -= learning_rate * b.grad # 更新偏置

    print(f'第 {epoch + 1} 轮, 损失: {l.asscalar()}')  # 输出当前损失

   可视化结果

   plt.scatter(x.asnumpy(), y.asnumpy(), color='blue', label='数据点') # 绘制数据点
   plt.plot(x.asnumpy(), (W * x + b).asnumpy(), color='red', label='拟合直线') # 绘制拟合直线
   plt.title('线性回归示例')
   plt.xlabel('x')
   plt.ylabel('y')
   plt.legend()
   plt.show() # 显示图形

示例代码说明

• 生成数据：随机生成100个数据点，模拟一个线性关系 ( y = 2.5x + \text{噪声} )。
• 线性回归模型：定义一个简单的线性回归模型，使用梯度下降法进行训练。
• 可视化结果：使用 Matplotlib 绘制数据点和拟合的直线。