import numpy as np import matplotlib.pyplot as plt import random x_data = [1, 2, 3, 4, 5] y_data = [x + random.uniform(1, 2) for x in x_data] w = 1 learning_rate = 0.01 def forward(x): return x * w def loss(x, y): loss = 0 for x, y in zip(x_data, y_data): y_pred = forward(x) loss += (y_pred - y) ** 2 return loss / len(x_data) def gradient(x, y): grad = 0 for x, y in zip(x_data, y_data): grad += 2 * x *(x * w - y) return grad / len(x_data) for epoch in range(100): loss_val = loss(x_data, y_data) grad_val = gradient(x_data, y_data) w -= learning_rate * grad_val print(f"第{epoch}轮，w={w}, loss={loss_val}") plt.plot(loss_val, w) plt.xlabel('w') plt.ylabel('loss') plt.show() print(f'预测值是{forward(6)}')，哪里错了怎么改

代码中有一些问题：

1. `plt.plot(loss_val, w)` 应该改为 `plt.plot(w, loss_val)`，因为 `plt.plot()` 的第一个参数是 x 轴的值，第二个参数是 y 轴的值。

2. `loss_val` 在每个 epoch 中都被计算，但是只有在最后一个 epoch 才被用于绘图，应该将其记录在一个列表中，每个 epoch 结束后将其添加到列表末尾。

3. `print(f'预测值是{forward(6)}')` 应该放在循环外面，因为它不需要在每个 epoch 中都被计算。

下面是修改后的代码：

import numpy as np 
import matplotlib.pyplot as plt 
import random  

x_data = [1, 2, 3, 4, 5] 
y_data = [x + random.uniform(1, 2) for x in x_data] 

w = 1 
learning_rate = 0.01 
loss_list = []  # 记录每个 epoch 的 loss

def forward(x): 
    return x * w 

def loss(x, y): 
    loss = 0 
    for x, y in zip(x_data, y_data): 
        y_pred = forward(x) 
        loss += (y_pred - y) ** 2 
    return loss / len(x_data) 

def gradient(x, y): 
    grad = 0 
    for  x, y in zip(x_data, y_data): 
        grad += 2 * x *(x * w - y) 
    return grad / len(x_data) 

for epoch in range(100): 
    loss_val = loss(x_data, y_data) 
    loss_list.append(loss_val)  # 记录每个 epoch 的 loss
    grad_val = gradient(x_data, y_data) 
    w -= learning_rate * grad_val 

    print(f"第{epoch}轮，w={w}, loss={loss_val}") 

plt.plot(w_list, loss_list)  # 绘制 loss 曲线
plt.xlabel('w') 
plt.ylabel('loss') 
plt.show() 

print(f'预测值是{forward(6)}')

运行上面的代码后，你应该会得到一个 loss 曲线和一个预测值。