生成数据集
我们构造一个简单的人工训练数据集,它可以使我们能够直观比较学到的参数和真实的模型参数的区别。设训练数据集样本数为 1000,输入个数(特征数)为 2。给定随机生成的批量样本特征 X∈ℝ1000×2X∈R1000×2,我们使用线性回归模型真实权重 w=[2,−3.4]⊤w=[2,−3.4]⊤ 和偏差 b=4.2b=4.2,以及一个随机噪音项 ϵϵ 来生成标签
y=Xw+b+ϵ,y=Xw+b+ϵ,
其中噪音项 ϵϵ 服从均值为 0 和标准差为 0.01 的正态分布。下面,让我们生成数据集。
定义模型:
构造一个数据迭代器-》定义网络模型、定义损失函数、定义优化模型-》训练模型
训练模型
在训练中,我们将多次迭代模型参数。在每次迭代中,我们根据当前读取的小批量数据样本(特征X
和标签y
),通过调用反向函数backward
计算小批量随机梯度,并调用优化算法sgd
迭代模型参数。由于我们之前设批量大小batch_size
为 10,每个小批量的损失l
的形状为(10,1)。由于变量l
并不是一个标量,运行l.backward()
将对l
中元素求和得到新的变量,再求该变量有关模型参数的梯度。
在一个迭代周期(epoch)中,我们将完整遍历一遍data_iter
函数,并对训练数据集中所有样本都使用一次(