第 1 课只能从写死的 [1, 2, 3, 4] 里挑整数。如果把样例换成 2.5 倍——[(1, 2.5), (2, 5.0), (3, 7.5)],穷举列表就失效了;而手写 [0.1, 0.2, ..., 10.0] 在参数变多后很快会爆炸。

这一课改用更聪明的做法:从一个初始参数出发,每次左右试探一小步,哪边误差更小就往哪边走。

1. 试探思路:沿着误差“山谷”往下走

把不同 weight 算出来的总误差画成曲线,刚好是一个 V 字形山谷,谷底就是正确答案 2.5(总误差 0.0)。程序不需要知道整张图,只要在当前 weight 处,按预设步长 step = 0.1 往左、往右各看一眼:

试探位置参数值3 组样例总误差
往小调(weight - step)0.99.6
当前不动(weight)1.09.0
往大调(weight + step)1.18.4

8.4 < 9.0,说明往大调是下坡,就把 weight 改成 1.1,下一轮继续试探,直到两边误差都不再变小为止。


2. 运行代码:lesson02.py

新建 lesson02.py(或直接下载 lesson02.py),复制运行:

samples = [(1, 2.5), (2, 5.0), (3, 7.5)]
# 使用当前参数进行预测
def predict(x, weight):
return x * weight
# 用全部样例计算总误差
def calculate_error(weight):
total_error = 0
for x, expected in samples:
predicted = predict(x, weight)
total_error += abs(predicted - expected)
return total_error
weight = 1.0 # 从这个初始参数出发
step = 0.1 # 每次试探调整的幅度(步长)
# 最多尝试 100 轮,避免一直停不下来
for attempt in range(100):
current_error = calculate_error(weight)
left_error = calculate_error(weight - step)
right_error = calculate_error(weight + step)
print("第", attempt + 1, "轮:weight =", round(weight, 4), "总误差 =", round(current_error, 4))
# 往小调更好,并且不比往大调差
if left_error < current_error and left_error <= right_error:
weight -= step
# 往大调更好
elif right_error < current_error:
weight += step
# 两边都没有改善,提前结束循环
else:
break
print("学到的参数:", round(weight, 4))
print("总误差:", round(calculate_error(weight), 4))
print("输入 4,预测结果:", round(predict(4, weight), 4))

运行输出:

第 1 轮:weight = 1.0 总误差 = 9.0
第 2 轮:weight = 1.1 总误差 = 8.4
第 3 轮:weight = 1.2 总误差 = 7.8
第 4 轮:weight = 1.3 总误差 = 7.2
第 5 轮:weight = 1.4 总误差 = 6.6
第 6 轮:weight = 1.5 总误差 = 6.0
第 7 轮:weight = 1.6 总误差 = 5.4
第 8 轮:weight = 1.7 总误差 = 4.8
第 9 轮:weight = 1.8 总误差 = 4.2
第 10 轮:weight = 1.9 总误差 = 3.6
第 11 轮:weight = 2.0 总误差 = 3.0
第 12 轮:weight = 2.1 总误差 = 2.4
第 13 轮:weight = 2.2 总误差 = 1.8
第 14 轮:weight = 2.3 总误差 = 1.2
第 15 轮:weight = 2.4 总误差 = 0.6
第 16 轮:weight = 2.5 总误差 = 0.0
学到的参数: 2.5
总误差: 0.0
输入 4,预测结果: 10.0

新增写法与关键细节

代码 / 角色说明
def calculate_error(weight):把算总误差抽成函数,方便每轮一次比较当前、左边、右边三个位置的误差
range(100) 与 break给循环设 100 轮上限防止死循环;两边都不再变小时用 break 提前退出
left_error <= right_error若左右都比当前更小,保证优先挑误差更小的一边,而不是死板只看代码顺序
round(..., 4)二进制小数连加 15 次 0.1 会带出极小尾数(如 2.5000000000000013),训练中保留原值,打印时保留 4 位小数
weight vs stepweight 是训练中被修改的模型参数;step 是人预先设好的步长,训练时不变

3. 图解每一步:三路判断与 V 形误差曲线

flowchart TD
I["初始:weight = 1.0, step = 0.1"] --> L["进入循环(最多 100 轮)"]
L --> E["分别计算 current / left / right 总误差"]
E --> C1{"left < current\n且 left <= right?"}
C1 -->|"是"| M1["weight -= step"]
C1 -->|"否"| C2{"right < current?"}
C2 -->|"是"| M2["weight += step"]
C2 -->|"否"| BRK["break:两边都没更好,停下"]
M1 --> L
M2 --> L
BRK --> P["用最终 weight 预测 x = 4"]

点击下方 “▶ 播放演示” 或 “下一步”,对比三种情况:精细步长 step = 0.1、步子太大 step = 1.0,以及 从大往小 w = 3.5(直接触发 weight -= step 分支)。

交互演示需要 JavaScript。默认以 step = 0.1 从 weight = 1.0 出发,连续 15 次往大调整后在第 16 轮停在 weight = 2.5(总误差 0.0),预测输入 4 得到 10.0;如果把 step 改成 1.0,程序在 weight = 2.0 处试探 1.0(误差 9.0)和 3.0(误差 3.0)都没有更小,就会提前停止并把 2.5 跨过去。


4. 动手实验:步子太大会怎样?

只把 lesson02.py 里的步长改成 step = 1.0,再运行一次:

第 1 轮:weight = 1.0 总误差 = 9.0
第 2 轮:weight = 2.0 总误差 = 3.0
学到的参数: 2.0
总误差: 3.0
输入 4,预测结果: 8.0

程序只走了两轮就卡在了 2.0:在 weight = 2.0(误差 3.0)处,左边 1.0 误差是 9.0,右边 3.0 误差也是 3.0,都不满足 < 3.0,于是触发 break 停下——答案 2.5 正好被 step = 1.0 这步跨过去了。

顺手验证另一个分支

把 `step` 改回 `0.1`,再把初始 `weight = 1.0` 改成 `weight = 3.5`,程序会触发 `weight -= step` 分支,从右边一路走回 `2.5`(也可在上方交互演示切换 "从大往小:w = 3.5" 直接观看)。

这一课记住两点就够了:自动调参就是“试探周边误差 → 朝更小的一边挪步 → 走不动时停下”;而 break 停下只代表按当前步长没找到更好的邻近点,步长太大仍会错过正解。

但目前公式 x * weight 只能表达经过原点的直线;如果样例整体还多出一个固定偏置(如 1 → 5, 2 → 8),就需要在第 3 课:让模型学会“乘一个数,再加一个数”里加入第二个参数 bias。