企业官网建设流程全解析

今日目标

1. 回顾本周学到的所有概念
2. 完成一个综合小练习
3. 查漏补缺，巩固基础

本周知识回顾

核心概念清单

完整训练流程图

初始化w和b ↓ 对每组数据： 1. 前向计算：预测 = w*x + b 2. 计算损失：MSE = 平均(预测-真实)² 3. 计算梯度：告诉w和b该怎么改 4. 更新参数：w -= 学习率*梯度_w b -= 学习率*梯度_b ↓ 重复直到损失足够小 ↓ 用训练好的模型预测新数据

今日练习

综合练习：从零训练一个工资预测模型

# ============================================# 综合练习：预测员工工资# ============================================# 第1步：准备数据# 工作年限 → 月薪(千元)数据=[(1,8),(2,10),(3,13),(5,18),(8,25),]输入=[d[0]fordin数据]输出=[d[1]fordin数据]# 第2步：初始化参数w=0.0b=0.0学习率=0.01轮次=1000# 第3步：训练print("开始训练...\n")forepochinrange(轮次):# 前向计算预测值=[w*x+bforxin输入]# 计算损失损失=sum((p-t)**2forp,tinzip(预测值,输出))/len(输入)# 计算梯度n=len(输入)梯度_w=sum(2*(p-t)*xforx,t,pinzip(输入,输出,预测值))/n 梯度_b=sum(2*(p-t)forp,tinzip(预测值,输出))/n# 更新参数w=w-学习率*梯度_w b=b-学习率*梯度_b# 每200轮打印一次ifepoch%200==0:print(f" 轮次{epoch:4d}: 损失={损失:.4f}, w={w:.4f}, b={b:.4f}")print(f"\n训练完成!")print(f"最终参数: w={w:.4f}, b={b:.4f}")# 第4步：验证print("\n验证预测:")forx,y_trueinzip(输入,输出):y_pred=w*x+b 误差=abs(y_pred-y_true)print(f" 工作年限{x}年: 预测={y_pred:.2f}千, 真实={y_true}千, 误差={误差:.2f}千")# 第5步：预测新员工print("\n预测新员工:")新员工年限=[10,15,20]foryearsin新员工年限:预测工资=w*years+bprint(f" 工作{years}年: 预测月薪={预测工资:.2f}千")

练习2：尝试不同的学习率

数据=[(1,8),(2,10),(3,13),(5,18),(8,25)]输入=[d[0]fordin数据]输出=[d[1]fordin数据]学习率列表=[0.001,0.01,0.1,0.5]forlrin学习率列表:w,b=0.0,0.0forepochinrange(500):预测值=[w*x+bforxin输入]n=len(输入)梯度_w=sum(2*(p-t)*xforx,t,pinzip(输入,输出,预测值))/n 梯度_b=sum(2*(p-t)forp,tinzip(预测值,输出))/n w-=lr*梯度_w b-=lr*梯度_b# 计算最终损失预测值=[w*x+bforxin输入]损失=sum((p-t)**2forp,tinzip(预测值,输出))/len(输入)print(f"学习率={lr:5.3f}: 最终损失={损失:.4f}, w={w:.4f}, b={b:.4f}")

自我检查

回答以下问题（能清晰回答才算掌握）：

1. 什么是特征和标签？用自己的话解释。
2. w和b分别控制什么？画图说明。
3. 为什么用平方而不是绝对值？举一个具体例子。
4. 梯度是什么？用山坡比喻解释。
5. 学习率太大会有什么后果？用一个数字例子说明。
6. 训练和推理有什么区别？各举一个应用场景。

验收标准

• 综合练习能正常运行并输出正确结果
• 能解释每一行代码的作用
• 能回答所有自我检查问题
• 尝试了不同学习率并观察了效果差异