#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}')
【深度学习-pytorch】线性回归的简洁实现
于 2022-02-12 17:04:15 首次发布