线性回归的实现

import torch
import numpy as np
from d2l import torch as d2l
from torch.utils import data
from torch import nn
w=torch.tensor([2,-3.4])
b=4.2
feature,lables=d2l.synthetic_data(w,b,1000)

def load_array(data_array,batch,is_train=True):
    dataset=data.TensorDataset(*data_array)
    return data.DataLoader(dataset,batch,shuffle=is_train)

batch=10
data_it=load_array((feature,lables),batch)

net=nn.Sequential(nn.Linear(2,1))

net[0].weight.data.normal_(0,0.01)
net[0].bias.data.fill_(0)

loss=nn.MSELoss()

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

num=3
for i in range(num):
    for x,y in data_it:
        l=loss(net(x),y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l=loss(net(feature),lables)

第一部分：

• 定义线性模型的权重 w 和偏置 b。
• 生成 1000 个样本的特征（feature）和标签（labels），根据线性关系 y=wT⋅x+by=wT⋅x+b 生成。

2：

load_array函数

• 将特征和标签组合成一个数据集，并创建一个数据加载器，按批次加载数据。

3：

    设置批次batch大小为 10，并创建数据加载器 data_it

4：

• 使用 nn.Sequential 创建一个简单的线性回归模型，输入维度为 2，输出维度为 1

5：

• 将模型的权重初始化为均值为 0、标准差为 0.01 的正态分布。
• 将偏置初始化为 0。

6：

• 使用均方误差（MSE）作为损失函数。
• 使用随机梯度下降（SGD）作为优化器，学习率设为 0.03

7：

• 训练模型 3 个周期（num = 3）。
• 在每个周期中，遍历数据加载器 data_it，每次获取一个批次的特征 x 和标签 y。
• 计算模型的输出与真实标签之间的损失 l。
• 清空优化器的梯度（trainer.zero_grad()）。
• 反向传播计算梯度（l.backward()）。
• 更新模型参数（trainer.step()）。
• 在每个周期结束后，计算当前模型在所有特征上的损失。