pytorch线性回归简洁实现总结

1.from torch.utils import data：data里有部分数据读取工具。

这里用到的-1.Tensordataset:类似于一个1打包函数：TensorDataset 可以用来对 tensor 进行打包，包装成dataset（类似zip）。就好像 python 中的 zip 功能。该类通过每一个 tensor 的第一个维度进行索引。因此，该类中的 tensor 第一维度必须相等. 另外：TensorDataset 中的参数必须是 tensor
（行数相同，类型为tensor）{对于元组我们可以用*x的方式进行解包}

2.data_iter=torch.utils.data.DataLoader(dataset, batch_size=1, 
                            shuffle=False, sampler=None, 
                            batch_sampler=None, num_workers=0, 
                            collate_fn=None, pin_memory=False, 
                            drop_last=False, timeout=0, 
                            worker_init_fn=None, 
                            multiprocessing_context=None)
用于读取dataset，类似于pd.read类型的1.batch_size指的一次取的批量大小，2.shuffle=False, sampler=None,指的是否打乱以及不打乱用什么方式取得，3.取得批量超额是否舍弃最后一批，4.timeout=0，超额截断。返回值是一个元组，中间装有多个（X，y）小元组。

3.from torch import nn：装有神经网络辅助函数

4.nn.Sequential（），把括号里的层都连起来，成一个大网

5.nn.Linear(2, 1)，打造一个线性层（无激活函数），且（2，1）分别指输入输出特征，即w为（2，1），相当于上一层是两个节点，这一次一个节点

6..weight.data，.bias.data，可以调用对应的w和b。eg：

-1：net = nn.Sequential(nn.Linear(2, 1))：定义了一个连接网络，里面只有一层linear

-2：进行对net网络第一层（linear）的调用

net[0].weight.data.normal_(0, 0.01)：用平均值为0，方差为1的随机数填满
net[0].bias.data.fill_(0)：全部替换填充为0

7.l2范数

nn.MSELoss()

8.通过这个调用优化更新方法，比如sgd

torch.optim

9.正式优化：标准循环批次

for epoch in range(num_epochs):
    for X, y in data_iter:（data_iter为包含了多个元组的大元组）
        l = loss(net(X) ,y)
        trainer.zero_grad()：对优化器梯度清零，谁使用对谁清零
        l.backward()
        trainer.step()：进行一次优化
    l = loss(net(features), labels)