深度学习基础11（线性回归使用pytorch里的框架来实现）

线性回归的简洁实现

接下来使用一些框架来实现线性回归学习

框架可以自动化基于梯度的学习算法中重复性的工作。

在上篇文章中，我们只运用了：

（1）通过张量来进行数据存储和线性代数；

（2）通过自动微分来计算梯度。

实际上，由于数据迭代器、损失函数、优化器和神经网络层很常用， 现代深度学习库也为我们实现了这些组件。

下面将介绍如何通过使用深度学习框架来简洁地实现 线性回归模型

生成数据集

与上篇文章类似，首先生成数据集。

import numpy as np
import torch
from torch.utils import data #从torch的utils里面调用一些处理数据的模块
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)

读取数据集

我们可以调用框架中现有的API来读取数据。

什么叫API

我们将features和labels作为API的参数传递，并通过数据迭代器指定batch_size。 此外，布尔值is_train表示是否希望数据迭代器对象在每个迭代周期内打乱数据。

来对下面的代码进行解释:

#假设我们已经有features和lables了，我们把它做成一个list（第六行）

#然后把list传到TensorDataset里面(第三行)，会得到一个pytorch的一个dataset（第三行）

#dataset里拿到数据集之后（第三行），然后调用dataloader这个函数（第四行），用处时每次随机挑选b（batch_size）个样本出来，shuffle意思是说要不要随机去打乱这个顺序，is_train，意思是如果是train的话是需要打乱的

def load_array(data_arrays, batch_size, is_train=True):  #&