动手学深度学习----线性回归的简洁实现

线性回归的简洁实现—调用pytorch中封装好的函数

#线性回归的简洁实现
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
from torch import nn  # nn是神经网络的缩写


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


def load_array(data_arrays, batch_size, is_train=True):
    dataset = data.TensorDataset(*data_arrays)  # 将features, labels传入TensorDataset 得到pytorch的dataset
    return data.DataLoader(dataset, batch_size, shuffle=is_train)   # DataLoader每次从dataset中挑选batch_size个样本 shuffle随机打乱


batch_size = 10
data_iter = load_array((features, labels), batch_size)
next(iter(data_iter))

net = nn.Sequential(nn.Linear(2, 1))  # 线性层 2是输入维度  1是输出维度      Sequential是将层按顺序放在sequential容器里
net[0].weight.data.normal_(0, 0.01)  # net[0]是第一层  data.normal_(0, 0.01) 使用均值为0 方差为0.01的正态分布替换掉data
net[0].bias.data.fill_(0)   # 将偏差设成0
loss = nn.MSELoss()
trainer = torch.optim.SGD(net.parameters(), lr=0.03)  # net.parameters()传入所有参数

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X), y)
        trainer.zero_grad() # 梯度清零
        l.backward()
        trainer.step() # 进行一次模型更新
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')  # 打印l 格式为浮点型f


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

几度热忱

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值