Pytorch实现线性回归模型--详细

 详细实现步骤:

---

1. 导入相关包。

   import random
   import torch

2. 根据真实的w，b自动生成实验数据集。

   为了简单起见，我们将[根据带有噪声的线性模型构造一个人造数据集。] 我们的任务是使用这个有限样本的数据集来恢复这个模型的参数。 我们将使用低维数据，这样可以很容易地将其可视化。 在下面的代码中，我们生成一个包含1000个样本的数据集，每个样本包含从标准正态分布中采样的2个特征。我们的合成数据集是一个矩阵𝐗∈ℝ1000×2X∈R1000×2。

   (**我们使用线性模型参数𝐰=[2,−3.4]⊤w=[2,−3.4]⊤、𝑏=4.2b=4.2和噪声项𝜖ϵ生成数据集及其标签：

   𝐲=𝐗𝐰+𝑏+𝜖.y=Xw+b+ϵ.

   **)

   你可以将𝜖ϵ视为捕获特征和标签时的潜在观测误差。在这里我们认为标准假设成立，即𝜖ϵ服从均值为0的正态分布。 为了简化问题，我们将标准差设为0.01。下面的代码生成合成数据集。

   def synthetic_data(w, b, num_examples):  #@save
       """生成 y = Xw + b + 噪声。"""
       X = torch.normal(0, 1, (num_examples, len(w)))
       y = torch.matmul(X, w) + b
       y += torch.normal(0, 0.01, y.shape)
       return X, y.reshape((-1, 1))

   
   true_w = torch.tensor([2, -3.4])
   true_b = 4.2
   features, labels = synthetic_data(true_w, true_b, 1000)
   true_w = torch.tensor([2, -3.4])

   注意，[features中的每一行都包含一个二维数据样本，labels中的每一行都包含一维标签值（一个标量）]。

   print('features:', features[0],'\nlabel:', labels[0])
   
   

   features: tensor([-0.1272,  0.8400]) label: tensor([1.0915])

3. 读取数据集。</