动手学深度学习（Pytorch版）知识点笔记（3）

三、线性回归

• 构建简单的人工数据集

%matplotlib inline  
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random
num_inputs = 2  #输入特征数为2
num_examples = 1000  #训练数据集样本数
true_w = [2, -3.4]  #使⽤线性回归模型真实权重
true_b = 4.2 #使⽤线性回归模型真实偏差
## 设置输入样本的特征值，在0与1之间
features = torch.from_numpy(np.random.normal(0, 1, (num_examples,num_inputs)))
## 根据真实特征值计算真实标签
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] +true_b
## 为真实标签添加噪声，噪声项服从均值为0、标准差为0.01的正态分布。
labels += torch.from_numpy(np.random.normal(0, 0.01,
size=labels.size()))
print(features[:])

提示：python中numpy.random.normal(loc=0,scale,size=shape) ，意义如下：
参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布，
参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。
参数size(int 或者整数元组)：输出的值赋在shape里，默认为None。

• matplotlib中plt.scatter()参数详解

  scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None,
  vmin=None, vmax=None, alpha=None, linewidths=None, verts=None,
  edgecolors=None, hold=None, data=None, **kwargs) 只解释前三个：
  x，y：输入数据，array_like，shape（n，）
  s：点的大小：标量或array_like，shape（n，），可选 大小以点数^ 2。默认是rcParams ['lines.markersize'] ** 2。

• 读取数据 在训练模型的时候,我们需要遍历数据集并不断读取⼩批量数据样本。这⾥我们定义⼀个函数，它每次返回 batch_size（批量⼤⼩）个随机样本的特征和标签。

def data_iter(batch_size, features, labels):
 num_examples = len(features)
 indices = list(range(num_examples))
 random.shuffle(indices) # 样本的读取顺序是随机的
 for i in range(0, num_examples, batch_size):
 j = torch.LongTensor(indices[i: min(i + batch_size,
num_examples)]) # 最后⼀次可能不⾜⼀个batch
 yield features.index_select(0, j), labels.index_select(0,
j)
#让我们读取第⼀个⼩批量数据样本并打印。每个批量的特征形状为(10, 2)，分别对应批量⼤⼩和输⼊个数；标签形状为批量⼤⼩。
batch_size = 10
for X, y in data_iter(batch_size, features, labels):
 print(X, y)