【动手学深度学习】4.线性回归及其简单实现

前言

线性回归是机器学习最基础的一个模型，也是我们理解之后所有深度学习模型的基础。

---

线性回归

拓展一下如下：







注：这里为【显式解】

---

基础优化算法

---

从零实现一个线性回归模型

接下来将从零开始实现整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器。

features 中的每一行都包含一个二维数据样本，labels 中的每一行都包含一维标签值（一个标量）

定义一个data_iter 函数， 该函数接收批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量

然后定义初始化模型参数

定义模型

定义损失函数

定义优化算法

训练过程

然后比较真实参数和通过训练学到的参数来评估训练的成功程度

---

实现更简洁的线性回归模型

这一次通过使用深度学习框架来简洁地实现 线性回归模型 生成数据集

调用框架中现有的API来读取数据

使用框架预定义好的层

然后初始化模型参数

计算均方误差使用的是MSELoss类，也称为平方 L₂ 范数

训练过程代码与我们从零开始实现时所做的非常相似

比较生成数据集的真实参数和通过有限数据训练获得的模型参数

---

突然意识到自己都是贴的图片，应该把代码放上来 本文源代码 lesson04 链接：https://pan.baidu.com/s/1tj6qHFFuQ1GmVuWzwS1TLw 提取码：d2lc