小白也能看懂的pytorch——线性回归（简洁版）

前言：本篇文章的服务对象是没有武力值也想和pytorch沾沾边的小白朋友们，主要的内容是对于经典代码的逐行解读，解读内容以注释的形式展示。

本篇文章的代码来源为（李沐 动手学深度学习pytorch版）

相比于前一篇线性回归，本文是稍微进阶一点的简洁版，运用深度学习的框架来简洁的实现线性回归，当然整体的流程和思路是一样的，相同的部分本文不赘述，感兴趣的话可以去本文专栏内查阅上篇文章。

import torch
from torch.utils import data  # 和前一章节的区别，调用了一个新模块
from d2l import torch as d2l

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)  # 人工数据合成的函数synthetic_data（）

def load_array(data_arrays, batch_size, is_train=True):  #@save
    """构造一个PyTorch数据迭代器"""
    dataset = data.TensorDataset(*data_arrays)  # *表示接受多个参数，并将其放在一个元组中
    #  用dataloader函数每次随机挑选（shuffle=is_train）一个b个样本
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

batch_size = 10
data_iter = load_array((features, labels), batch_size)   # 已知features和labels的时候，可以将其作为一个list，传到TensorDataset里
next(iter(data_iter))   # iter（定义过）是一个迭代器，在通过next函数得到x和y

接下来开始定义模型

# nn是神经网络的缩写 模组的定义

# nn.Linear定义一个神经网络的线性层，唯一需要指定的是，输入的维度（2）和输出的维度（1），以及bias=True 是否包含偏置

# 这个例子里面可以直接只用Linear层就行，但是我们可以使用框架已经预设过的层，所以大部分时间内，我们只需要关注使用哪些Sequential类的实例

# Sequential是一个容器，理解为list of layers

# Sequential一个有序的容器，可以将多个层串联到一起，将前一层的输出当做下一层的输入，依次计算

from torch import nn
net = nn.Sequential(nn.Linear(2, 1))
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)
loss = nn.MSELoss()  # 均方误差很常用，直接调用就好了
# SGD也是很常用的算法，直接调用，此函数至少需要传入两个参数，net.parameters()是net中所有的参数，并指定学习率为0.03
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

定义完之后，就开始训练了，还是经典的两个for循环。 与前文中方法不一样的地方在于net中自己带了模型参数所以不需要输入w和b。

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X) ,y)  # net(X)生成预算，并计算损失（向前传播）
        trainer.zero_grad()  # 优化器更新模型参数，先把梯度清零
        l.backward()  # 通过反向传播来计算梯度
        trainer.step()  # 调用step的函数进行模型更新
    l = loss(net(features), labels)  # 为了量化训练效果，计算每轮后的损失，并打印出来
    print(f'epoch {epoch + 1}, loss {l:f}')
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)

以上便是对于线性回归的简洁实现，在日常使用中我们也将使用pytorch的更高级的API来实现模型。