动手学深度学习02 线性回归简介实现

1、说在前面

本次线性回归简洁实现是在上一篇博客的基础上使用torch内已经封装好的方法来实现相应的操作，但是整体的步骤是完全一样的。

2、代码实现

(1) 导入库

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l

# 生成数据集
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)

(2) 生成模拟数据

def load_arry(data_arrays, batch_size, is_train=True):
    """构造一个pyTorch的数据迭代器"""
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

batch_size = 10
# 数据生成器
data_iter = load_arry((features, labels), batch_size)

next(iter(data_iter))

(3)定义层

# 使用框架的预定义好的层
# ‘nn'是神经网络的缩写
from torch import nn

# 输入的维度是2  输出维度是1
# Sequential 是 Linear 的容器
net = nn.Sequential(nn.Linear(2, 1))

(4)初始化模型参数

# 初始化模型参数
# 在0附近正态分布来替换data的值，均值为0 ，方差为0.01
net[0].weight.data.normal_(0, 0.01)
# 偏差设为0
net[0].bias.data.fill_(0)

(5)计算损失，实例化算法

# 计算均方误差,使用的是nn里的MSELoss类
loss = nn.MSELoss()

# 实例化SGD实例 随机梯度下降
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

(6)开始训练过程

# 训练过程
# 训练轮次
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
#         X为预测值 y是真实的，把预测值和真实值做loss
        l = loss(net(X), y)
#         优化器先把梯度清零
        trainer.zero_grad()
        l.backward()
#         优化器调用step 对模型进行更新
        trainer.step()
#     计算全部的loss
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1},loss {l:f}')