本文介绍了线性神经网络的基础，包括线性回归的实现，从数据流水线到模型构建，以及损失函数和小批量随机梯度下降优化器。首先通过生成人造数据集来手动实现线性回归，然后利用PyTorch的内置功能简化这一过程，使用预定义的层和损失函数进行训练。
@pytorch深度学习预备知识
Task3学习~08 线性神经网络
线性回归与基础优化算法的一些基础知识（笔记+总结）：
线性回归的从零开始实现
包括数据流水线、模型、损失函数、小批量随机梯度下降优化器
生成一个人造数据集（好处：知道真实的w与b）
(x，均值为零，方差为1的一个随机数，列数是w的长度)
得到一个训练样本（如下图）
然后进行：
👉定义data_iter函数，生成大小为batch_size的小批量
👉定义 初始化模型参数
👉定义模型
👉定义损失函数
👉定义优化算法
👉训练过程
👉比较真实参数与通过训练学来的参数，来评估训练的成功程度。
学习了从零实现后，我们接触了线性回归的简洁实现。
👉调用框架中现有的AIP来读取数据
👉使用框架的预定义好的层
👉初始化模型参数
👉计算均方误差使用的是ESELoss类
👉训练
24万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
