08-线性回归简洁实现部分动手深度学习

最新推荐文章于 2024-09-09 23:51:40 发布

画里的风

最新推荐文章于 2024-09-09 23:51:40 发布

阅读量49

点赞数

分类专栏：深度学习文章标签：深度学习线性回归 python pytorch Powered by 金山文档

本文链接：https://blog.csdn.net/m0_50065739/article/details/128540855

版权

深度学习专栏收录该内容

21 篇文章 0 订阅

订阅专栏

文章通过PyTorch库展示了如何实现线性回归模型。首先，它生成了人造数据，然后定义了一个简单的线性网络结构，使用均方误差作为损失函数，并选择了随机梯度下降优化器进行训练。模型在几个epoch后进行了更新并计算了最终的损失。

摘要由CSDN通过智能技术生成

#线性回归简洁实现
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)#根据参数生成人造数据集

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)

#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))#输入维度是2 输出维度是1
#这两步是初始化权重和偏差
net[0].weight.data.normal_(0,0.01)#net[0]是指容器里面的第一层 也就是linear
net[0].bias.data.fill_(0)

loss = nn.MSELoss()#均方损失
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()#调用函数进行模型更新
    l = loss(net(features),labels)
    print(f'epoch {epoch+1}, loss {l:f}')