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