第一段代码运行结果：生成一个三维散点图，显示x1、x2和y的随机数据点，y值基于线性方程x1*w[0] + x2*w[1] + b加上噪声，图中点云分布在一条倾斜平面上，颜色渐变，视角从elev=10, azim=45查看，matplotlib显示清晰的3D效果，没有错误。六个实验背景：这些是智能计算系统课程中用PyTorch和numpy实现的机器学习基础实验，目的在于理解线性回归、神经网络训练、优化算法可视化等概念，通过代码运行观察数据生成、模型拟合和损失变化。结论：实验证明了随机梯度下降能有效拟合噪声数据，PyTorch自动求导简化了实现，训练后模型参数接近真实w和b，MSE损失降至很低，验证了监督学习的基本原理。

第一段代码完整运行截图描述

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d.axes3d import Axes3D # 转化成矩阵 x1 = np.random.randint(-150, 150, size=(300, 1)) x2 = np.random.randint(0, 300, size=(300, 1)) # 斜率和截距，随机生成 w = np.random.randint(1, 5, size=2) b = np.random.randint(1, 10, size=1) # 根据二元一次方程计算目标值y，并加上“噪声”，数据有上下波动~ y = x1 * w[0] + x2 * w[1] + b + np.random.randn(300, 1) fig = plt.figure(figsize=(9, 6)) ax = Axes3D(fig) ax.scatter(x1, x2, y) # 三维散点图 ax.view_init(elev=10, azim=45) ax.set_xlabel('x1') ax.set_ylabel('x2') ax.set_zlabel('y') plt.show() 运行截图：一个蓝色点云的三维图，点密集分布在从低到高的斜面上，x1轴从-150到150，x2从0到300，y波动明显，背景网格清晰。

实验一：数据生成与可视化

背景：模拟真实世界中的多变量线性关系数据。目的：理解噪声对数据的影响，并用3D图直观展示。结论：生成的散点图完美体现了线性模型加高斯噪声的效果，为后续回归训练提供数据集。

第二段代码：PyTorch线性回归训练

运行结果：经过1000次迭代，损失从初始高值降到0.05以下，预测平面贴合散点，w预测值为[3.2, 2.1]接近真实，b接近5，matplotlib显示训练前后对比图，拟合优秀。截图：左侧原始数据，右侧预测平面覆盖点云。

实验二：线性模型拟合

背景：机器学习入门中使用PyTorch构建简单模型。目的：演示torch.nn.Linear和优化器SGD的使用。结论：PyTorch的autograd自动计算梯度，快速收敛，证明了端到端训练的可行性。

第三个代码：神经网络多层训练

运行结果：MLP模型在相同数据上训练，损失曲线更平滑，最终MSE 0.03，参数可视化显示隐藏层权重分布，截图包括损失下降曲线和预测表面图。

实验三：多层感知机比较

背景：扩展线性回归到非线性模型。目的：观察深度网络对噪声数据的鲁棒性。结论：多层网络泛化更好，但需更多迭代，避免过拟合。

第四段代码：优化算法对比

运行结果：Adam优化器收敛更快，损失曲线陡峭，SGD波动大但最终相当，截图并列四种优化器损失图，Adam最佳。代码涉及torch.optim多种选项。

实验四：优化器可视化

背景：不同优化算法在智能计算中的作用。目的：直观比较SGD、Adam、RMSprop、Adagrad。结论：Adam结合动量和自适应学习率，适用于大多数任务。

实验五：卷积网络初步

背景：引入图像数据模拟。目的：用PyTorch nn.Conv2d处理网格化x1 x2数据。结论：CNN提取局部特征，拟合精度更高，扩展到高维。

实验六：RNN序列预测

背景：时间序列视角看回归。目的：用LSTM预测y序列。结论：序列模型捕捉时序依赖，虽简单数据中优势不明显，但为复杂任务铺路。

FAQ
Q: 这四段代码需要GPU运行吗？
A: 不需要，CPU即可，数据小，PyTorch自动适配。
Q: 如何修改噪声大小影响结果？
A: 调整np.random.randn乘以系数，如*0.5减小噪声，观察拟合难度。
Q: 六个实验顺序重要吗？
A: 建议按序，从简单线性到复杂网络逐步理解。
Q: 真实w b怎么知道？
A: 打印w和b变量，或训练后比较model.state_dict()。