第一阶段只做一件事:用纯 Python 写出一个能从样例中学出参数、再预测新输入的小模型。

你已经有编程基础,所以直接看代码和运行过程;Python 特有的语法和关键设计点会在代码下方一次讲透。

1. 先看思路:不写死规则,让程序自己找参数

传统写法是人先把规律写成代码(例如 return x * 2)。而让程序“学习”,是人只给出三组带答案的样例 [(1, 2), (2, 4), (3, 6)] 和带空缺的算式 x * weight,让程序自己尝试几个候选数,把总误差最小的那个 weight 留下来,再去算新输入 4 的结果。

flowchart LR
subgraph T["传统写法:规则写死"]
direction LR
T1["人写出规则:x * 2"] --> T2["输入 4"] --> T3["输出 8"]
end
subgraph L["本课写法:参数从数据里学"]
direction LR
L1["样例 (1,2),(2,4),(3,6)\n+ 算式 x * weight"] --> L2["试参数、算误差\n选出 weight = 2"] --> L3["新输入 4\n代入算得 8"]
end

2. 运行代码:lesson01.py

新建 lesson01.py(或直接下载 lesson01.py),用 python lesson01.py 运行,无需安装第三方库:

# 每一组都是:(输入,正确答案)
samples = [(1, 2), (2, 4), (3, 6)]
# 给定输入和参数,计算预测结果
def predict(x, weight):
return x * weight
# None 表示暂时还没有最优记录
best_weight = None
best_error = None
# 依次尝试四个候选参数
for weight in [1, 2, 3, 4]:
total_error = 0
# 用每一组样例检查当前参数
for x, expected in samples:
predicted = predict(x, weight)
error = abs(predicted - expected)
total_error += error
print("尝试参数:", weight, "总误差:", total_error)
# 第一次直接记录;之后只保留总误差更小的参数
if best_error is None or total_error < best_error:
best_weight = weight
best_error = total_error
print("学到的参数:", best_weight)
print("输入 4,预测结果:", predict(4, best_weight))

运行输出:

尝试参数: 1 总误差: 6
尝试参数: 2 总误差: 0
尝试参数: 3 总误差: 6
尝试参数: 4 总误差: 12
学到的参数: 2
输入 4,预测结果: 8

Python 写法与 3 个关键设计

写法 / 设计作用与原因
def 与 4 空格缩进Python 不用 {},靠冒号和缩进划分函数和循环作用域
for x, expected in samples:遍历列表里的元组并自动拆包,把一对数分别赋给 x 和 expected
abs(predicted - expected)取绝对值作为单条误差,避免一组多猜 +2、另一组少猜 -2 时正负抵消成 0
best_error is None or ...None 类似 null;不初始化成 0(否则更小误差进不来)或 9999,用短路 or 接住第 1 轮并避免拿 None 比大小报错
total_error = 0 放在外层循环内每换一个候选 weight 都要清空重算,避免把上一轮误差累加进来

3. 图解每一步:循环、误差与预测

控制流:两层循环和一次更新判断

flowchart TD
S["初始化 samples\nbest_weight = None, best_error = None"] --> W["外层循环:取候选 weight ∈ [1,2,3,4]"]
W -->|"还有候选"| R["total_error = 0"]
R --> X["内层循环:遍历 (x, expected)"]
X --> C["算 predicted = x * weight\n累加 abs(predicted - expected)"]
C -->|"下一条"| X
C -->|"本轮算完"| CMP{"best_error is None\n或 total_error < best_error?"}
CMP -->|"是"| UPD["更新 best_weight 和 best_error"]
CMP -->|"否"| KEEP["保持原记录"]
UPD --> W
KEEP --> W
W -->|"全部试完"| PRED["预测:predict(4, best_weight) → 8"]

动态交互演示:逐帧看直线、误差和变量怎么变

点击 “下一步” 或 “▶ 播放演示”,观察直线怎样随 weight 转动、每组样例误差如何相加、最优参数何时更新;也可切换顶部 “练习:3 倍规律” 对照结果。

交互演示需要 JavaScript。文字版流程:程序依次尝试候选参数 1、2、3、4,分别计算三组样例总误差(6、0、6、12),在试到 weight = 2 时发现总误差降到 0 并更新最优参数,最后固定 weight = 2 算出输入 4 的预测结果 8。


4. 对照 AI 常见概念

这 20 多行代码已经走完了一次完整的最小机器学习闭环:

代码部分对应概念在本例中的作用
predict(x, weight) = x * weight模型(Model)规定怎么根据输入算结果的公式骨架
weight参数(Parameter)公式里待定、由程序从数据中学出的数值
abs(predicted - expected) 求和误差 / 损失(Error / Loss)衡量当前参数有多不准,越小越好
for weight in [1, 2, 3, 4]: ...训练(Training)在样例上对比候选参数并保留最优解(看答案挑参数)
predict(4, best_weight)预测 / 推理(Prediction)固定参数后处理新输入,不再改动 weight(只算结果)

5. 动手练习与当前边界

只把 lesson01.py 第一行改成:

samples = [(1, 3), (2, 6), (3, 9)]

其余代码保持不变,重新运行一次。 程序应自行输出 学到的参数: 3 和 输入 4,预测结果: 12(验收点:计算规则 predict() 没变,只换数据就能学出新参数)。

同时也要看清这一课的两个限制,这也是第 2 课要解决的问题:

  1. 候选列表 [1, 2, 3, 4] 写死了整数,遇到 2.5 或 10 倍规律就找不到。
  2. 公式只有乘法 x * weight,遇到 2 * x + 1 这类带偏移的数据也无法拟合到误差为 0。