沐神的 《动手学深度学习》 课程中的 3.3. 线性回归的简洁实现

沐神的 《动手学深度学习》 3.3. 线性回归的简洁实现
有很多需要学习的地方。
模型分为，数据输入，转换为tensorData, 加载打乱（data）

## 造数据
import torch
from torch.utils import data
from torch import nn

def synthetic_data(w,b,num_examples):
    X = torch.normal(0,1,(num_examples,len(w)))
    y = torch.matmul(X, w) + b
    y += torch.normal(0,0.01,y.shape) 
    return X,y.reshape((-1,1))
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
def load_array(arrays,batch_size,is_train=True):
    dataset = data.TensorDataset(*arrays)
    return data.DataLoader(dataset,batch_size,is_train)

#定义模型

net = nn.Sequential(nn.Linear(2,1))
## 初始化超参数
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)
## 初始化模型参数
learn_rate = 0.03
epochs = 3

##定义损失函数

loss = nn.MSELoss()

##定义优化算法

trainer = torch.optim.SGD(net.parameters(), lr=0.03)

## 训练
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X) ,y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')