线性回归的基本要素与两种实现方案

（声明：由于本人大二，能力有限，刚接触机器学习，且深度学习接触很少，而且也是第一次写博客，肯定有很多不足的地方，且知识介绍的比较浅薄，望大家及时斧正，我会不断提升的，谢谢）

一、（使用PyTorch实现）
1，首先就是要明白基本要素，有模型、数据集，损失函数、优化函数-随机梯度下降
2，然后就是基本流程，首先生成数据集

然后使用图像来展示数据集
然后就是读取数据集、初始化模型参数、定义模型、定义损失函数、
定义优化函数、然后就是训练，这几步的代码就不一一赘余，
3，我的思考与收获：
首先之前只看西瓜书，很少动手实现，这一次真正体会到动手实践的好处，也更清楚的懂得了线性回归的详细流程，也懂得了很多为什么，比如为什么每次优化完之后要进行参数梯度的清零，因为如果不清零则下一次梯度会进行累加，也下去查了很多关于torch中的一些函数，例如：
torch.ones()/torch.zeros()，与MATLAB的ones/zeros很接近。初始化生成均匀分布
torch.rand(*sizes, out=None) → Tensor返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。标准正态分布
torch.randn(*sizes, out=None) → Tensor返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。
torch.mul(a, b)是矩阵a和b对应位相乘，a和b的维度必须相等，比如a的维度是(1, 2)，b的维度是(1, 2)，返回的仍是(1, 2)的矩阵
torch.mm(a, b)是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b的维度是(2, 3)，返回的就是(1, 3)的矩阵
torch.Tensor是一种包含单一数据类型元素的多维矩阵，定义了7种CPU tensor和8种GPU tensor类型。
random.shuffle(a)：用于将一个列表中的元素打乱。shuffle() 是不能直接访问的，需要导入 random 模块，然后通过 random 静态对象调用该方法。
backward()是pytorch中提供的函数，配套有require_grad：
所有的tensor都有.requires_grad属性,可以设置这个属性.x =tensor.ones(2,4,requires_grad=True)
如果想改变这个属性，就调用tensor.requires_grad_()方法：　　 x.requires_grad_(False)

还有很多知识点还来不及消化，因为边看视频的同时，我也会查阅很多书籍，所以进度略慢，有时候来不及总结，望多体谅