李沐线性回归1代码笔记

• 工具：jypter
• 语言：python

%matplotlib inline
import random
import torch
from d2l import torch as d2l

• %matplotlib inline将图表内嵌到notebook中，省略plt.show() ipython环境中魔法命令以%或者%%开头

• d2l包 《动手学深度学习》提供的包

---

def synthetic_data(w,b,num_examples):
    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)

• 函数功能：用来产生数据集，其中y=Wx+b+e 噪声
• X是normal 产生正态分布的数据

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

• 调用函数，给定W，b产生带噪声干扰的数据，其中features,labels分别为特征数据和标签数据

#训练样本
d2l.set_figsize()
d2l.plt.scatter(features[:,1].detach().numpy(),
               labels.detach().numpy(),1)

• 绘制图像，调用了d2l包中的函数，实质上还是matplotlib绘图
• detach使requirse_grad=false

#读取小批量
def data_iter(batch_size,features,labels):
    num_examples=len(features)
    indices=list(range(num_examples))
    random.shuffle(indices)
    for i in range(0,num_examples,batch_size):
        batch_indices=torch.tensor(indices[i:min(i+batch_size,num_examples)])
        yield features[batch_indices],labels[batch_indices]

• 产生一个索引值的随机列表，依次取n个索引值，就可以获得n个随机的数据

batch_size=10
for X,y in data_iter(batch_size,features,labels):
    print(X,'\n',y)
    break

#定义初始化模型参数
w=torch.normal(0,0.01,size=(2,1),requires_grad=True)
b=torch.zeros(1,requires_grad=True)

#线性回归模型
def linreg(X,w,b):
    return torch.matmul(X,w)+b

#定义损失函数
def squared_loss(y_hat,y):
    return (y_hat-y.reshape(y_hat.shape))**2/2

• 损失函数没有进行平均，在优化算法中进行了平均

#优化算法，梯度下降
def sgd(params,lr,batch_size):
    with torch.no_grad():
        for param in params:
            param-=lr*param.grad/batch_size
            param.grad.zero_()

$L_{(w,b)}=\sum (\hat{y}-W_{b}X{)}^2/2$

$w=w-\eta \ast \frac{\partial L_{(w,b)}}{\partial W_b}/size$

#训练过程
lr=0.03
num_epochs=3
net=linreg
loss=squared_loss

for epoch in range(num_epochs):
    for X,y in data_iter(batch_size,features,labels):
        l=loss(net(X,w,b),y)
        l.sum().backward()
        sgd([w,b],lr,batch_size)
    with torch.no_grad():
        train_1=loss(net(features,w,b),labels)
        print(f'epoch{epoch+1},loss{float(train_1.mean()):f}')

print(f'w的估计误差:{true_w-w.reshape(true_w.shape)}')
print(f'b的估计误差:{true_b-b}')