# 线性回归代码的简洁实现
import numpy as nn
import torch
from torch.utils import data #从torch.utils导入data的模具
from d2l import torch as d2l
# 生成数据集
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000) #生成特征和标签
#调用框架中现有的API来读取数据
#读取数据集
def load_array(data_arrays, batch_size, is_train=True):
"""构造一个PyTorch数据迭代器。"""
dataset = data.TensorDataset(*data_arrays) # 先将x,y变成dataset数据集
return data.DataLoader(dataset, batch_size, shuffle=is_train) # 然后调用dataloader,每次挑b个样本出来,如果在训练过程中的话就要随机打乱顺序
batch_size = 10
data_iter = load_array((features, labels), batch_size)
next(iter(data_iter)) # #通过next函数得到X和y,转成python的data_iter
# 使用框架预定义好的模型
from torch import nn
net = nn.Sequential(nn.Linear(2, 1)) # 要指定输入输出维度,linear是个线性层,把他放在sequential里的话就相当于把每层给罗列起来了
# 初始化模型参数
net[0].weight.data.normal_(0, 0.01) # 权重初始化,normal_使用正态分布替换data值 均值为0 方差为0.01
net[0].bias.data.fill_(0) # 偏置初始化,偏置b设为0
# 定义损失函数,计算均方误差使用的是MSELoss类,也称为平方 L2 范数
loss = nn.MSELoss() # 均方误差的调用
# 定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03) # 梯度下降的调用,传入的两个参数:parameters所有的参数、学习率
# 训练算法
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X), y) # net自己带模型参数了
trainer.zero_grad() # 先把梯度清零
l.backward() # pytorch已经做sum了
trainer.step()# 调用step进行模型更新
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l: f}')
# 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
w = net[0].weight.data
print('w的估计误差: ', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差: ', true_b - b)
跟着李沐学深度学习—pycharm版本:(二)线性回归的简洁实现
最新推荐文章于 2024-03-01 15:06:25 发布