浅谈matplotlib 绘制梯度下降求解过程

机器学习过程中经常需要可视化，有助于加强对模型和参数的理解。

下面对梯度下降过程进行动图演示，可以修改不同的学习率，观看效果。

									import numpy as np

									import matplotlib.pyplot as plt

									from IPython import display

									X = 2*np.random.rand(100,1)

									y = 4+3*X+np.random.randn(100,1) # randn正态分布

									X_b = np.c_[np.ones((100,1)),X] # c_行数相等，左右拼接

									eta = 0.1 # 学习率

									n_iter = 1000 # 迭代次数

									m = 100 # 样本点个数

									theta = np.random.randn(2,1) # 参数初始值

									plt.figure(figsize=(8,6))

									mngr = plt.get_current_fig_manager() # 获取当前figure manager

									mngr.window.wm_geometry("+520+520") # 调整窗口在屏幕上弹出的位置，注意写在打开交互模式之前

									# 上面固定窗口，方便screentogif定位录制，只会这种弱弱的方法

									plt.ion()# 打开交互模式

									plt.rcParams["font.sans-serif"] = "SimHei"# 消除中文乱码

									for iter in range(n_iter):

									  plt.cla() # 清除原图像

									  gradients = 2/m*X_b.T.dot(X_b.dot(theta)-y)

									  theta = theta - eta*gradients

									  X_new = np.array([[0],[2]])

									  X_new_b = np.c_[np.ones((2,1)),X_new]

									  y_pred = X_new_b.dot(theta)

									  plt.axis([0,2,0,15])

									  plt.plot(X,y,"b.")

									  plt.plot(X_new,y_pred,"r-")

									  plt.title("学习率：{:.2f}".format(eta))

									  plt.pause(0.3) # 暂停一会

									  display.clear_output(wait=True)# 刷新图像

									plt.ioff()# 关闭交互模式  

									plt.show()