【动手学——Linear Regression】day01_Linear Regression两种方法实现

线性回归

一、基本组成元素

模型、数据集、损失函数、优化函数-随机梯度下降

二、代码讲解

代码完整版本地址url:

https://www.kesci.com/org/boyuai/project/5e4117b1b8c462002d687509

①从零开始实现

# import packages and modules
%matplotlib inline
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random

print(torch.__version__)

下面开始操作

1.生成数据集

使用线性模型来生成数据集，生成一个1000个样本的数据集，下面是用来生成数据的线性关系：

traning data set、 sample、 feature、 lable:
我们通常收集一系列的真实数据，例如多栋房屋的真实售出价格和它们对应的面积和房龄。我们希望在这个数据上面寻找模型参数来使模型的预测价格与真实价格的误差最小。在机器学习术语里，该数据集被称为训练数据集（training data set）或训练集（training set），一栋房屋被称为一个样本（sample），其真实售出价格叫作标签（label），用来预测标签的两个因素叫作特征（feature）。特征用来表征样本的特点。

代码：

#特征数量
num_inputs = 2
#样本数量
num_examples = 1000

#设置真实的权重和偏差
#在这里设置这两个参数是因为，需要通过特征生成对应的标签
true_w = [2, -3.4]
true_b = 4.2

#下面这句生成特征
features = torch.randn(num_examples, num_inputs,
                      dtype=torch.float32)
                      
#通过特征生成标签，
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b

#现实中的数据不可能完全遵守线性模型，
#所以在末尾加上一个随机生成的偏
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),
                       dtype=torch.float32)

---

2.使用图像来展示生成的数据

#用向量图svg的形式展示数据集
def use_svg_display():
	display.set_matplotlib_formats('svg')
#设置展示图的大小
def set_figsize(figsize=(3.5,2.5)):
	use_svg_display()
	plt.rcParams['figure.figsize']=figsize
	
#先调用set_figsize设置大小
#再调用scatter函数打印展示数据集
set_figsize()
plt.scatter(features[:, 1].numpy(), labels.numpy(), 1);

3.读取数据集

def data_iter(batch_size