【深度学习-pytorch】线性回归的简洁实现

#通过使用深度学习框架来简洁的实现线性回归模型生成数据集
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)
#调用框架中现有的API来读取数据
def load_array(data_arrays,batch_size,is_train=True):
    #构造一个pytorch数据迭代器
    dataset=data.TensorDataset(*data_arrays)#把x，y传进去，列表前加*是把列表元素分别当作参数穿进去
    return data.DataLoader(dataset,batch_size,shuffle=is_train)#dataloard重新排序，随机挑选b个样本出来，shuffle表示是不是随机打乱顺序
batch_size=10
data_iter=load_array((features,labels),batch_size)
next(iter(data_iter))
#使用框架的预定义好的层，nn是神经网络的缩写
from torch import nn
net=nn.Sequential(nn.Linear(2,1))#输入2，输出1，线性回归为简单的单层神经网络，list of layers
#初始化模型参数
net[0].weight.data.normal_(0,0.01)#通过0访问linear，用正态分布替换掉data的值
net[0].bias.data.fill_(0)
#计算均方误差用MESLoss类，也称为均方范数
loss=nn.MSELoss()
#实例化SGD实例
trainer=torch.optim.SGD(net.parameters(),lr=0.03)#随机梯度下降，parameters包含了里面所有的参数，w和b
#开始训练
num_epochs=3#迭代三个周期
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}')