python应用Axes3D绘图（批量梯度下降算法）

这篇文章主要为大家详细介绍了python应用Axes3D绘图，批量梯度下降算法，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

本文实例为大家分享了python批量梯度下降算法的具体代码，供大家参考，具体内容如下

问题：

将拥有两个自变量的二阶函数绘制到空间坐标系中，并通过批量梯度下降算法找到并绘制其极值点

大体思路：

首先，根据题意确定目标函数：f(w1,w2) = w1^2 + w2^2 + 2 w1 w2 + 500
然后，针对w1,w2分别求偏导，编写主方法求极值点
而后，创建三维坐标系绘制函数图像以及其极值点即可

具体代码实现以及成像结果如下：

 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d.axes3d import Axes3D #f(w1,w2) = w1^2 + w2^2 + 2*w1*w2 + 500 def targetFunction(W): #目标函数 w1,w2 = W return w1 ** 2 + w2**2 + 2*w1*w2+500 def gradientFunction(W): #梯度函数：分别对w1,w2求偏导 w1,w2 = W w1_grad = 2*w1+2*w2 w2_grad = 2*w2 + 2*w1 return np.array([w1_grad,w2_grad]) def batch_gradient_distance(targetFunc,gradientFunc,init_W,learning_rate = 0.01,tolerance = 0.0000001): #核心算法 W = init_W target_value = targetFunc(W) counts = 0 #用于计算次数 while counts<5000: gradient=gradientFunc(W) next_w next_target_value=targetFunc(next_W) if abs(next_target_value-target_value)

函数以及其极值点成像如下（红点为极值点）：