#线性回归的简洁实现
import numpy as np
import torch
from torch.utils import data
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)
def load_array(data_arrays,batch_size,is_train=True):
#构造一个pytorch数据迭代器
#将输入的两类数据进行一一对应
dataset = data.TensorDataset(*data_arrays)
#重新排序
return data.DataLoader(dataset,batch_size,shuffle=is_train)
batch_size = 10
data_iter = load_array((features,labels),batch_size)
print(next(iter(data_iter))) #得到一组数据
#nn是神经网络的缩写
from torch import nn
#Sequential 一个有序的容器 神经网络模块按照传入构造器的顺序依次被添加到计算图中执行
net = nn.Sequential(nn.Linear(2,1))#输入是2 输出是1
net[0].weight.data.normal_(0,0.01)#w 正太分布 0 0.01
net[0].bias.data.fill_(0)#偏差
loss = nn.MSELoss() #计算均方MESLoss 也称为平方范数
trainer = torch.optim.SGD(net.parameters(),lr=0.03)
num_epochs=3
for epoch in range(num_epochs):
for x,y in data_iter:
l = loss(net(x),y)
trainer.zero_grad()
l.backward()
trainer.step()
l = loss(net(features),labels)
print(f'epoch {epoch+1}, loss {l:f}')
深度学习08线性回归的简洁实现
最新推荐文章于 2023-02-03 10:31:33 发布
该博客介绍了如何使用PyTorch库实现一个简单的线性回归模型。通过创建一个包含两个输入特征和一个输出的线性层,初始化权重和偏置,使用均方误差损失函数,并用随机梯度下降优化器训练模型。在三个训练周期后,模型应用于整个数据集以评估损失。
摘要由CSDN通过智能技术生成