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) # 生成合成数据
# 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) # 将data_arrays存放到dataset中
return data.DataLoader(dataset, batch_size, shuffle=is_train) # 从dataset中每次取batch_size个数据出来,shuffle=is_train表示数据打乱来
batch_size = 10
data_iter = load_array((features, labels), batch_size)
print(next(iter(data_iter))) # 获取可迭代对象data_iter的下一个元素,输出
# 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)) # 输入的维度为2,输出的维度为1
# 初始化模型参数
net[0].weight.data.normal_(0, 0.01) # 权重为均值为0,方差为0.01的正态分布
net[0].bias.data.fill_(0) # 偏差为0
# 计算均方误差使用的是MSELoss类,也称平方L2范数
loss = nn.MSELoss()
# 实例化SGD实例
# SGD:随机梯度下降算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03) # net.parameters(): 拿出net中的所有参数 lr:学习率
# 训练过程
num_epochs = 3
for epoch in range(num_epochs):
for x, y in data_iter:
l = loss(net(x), y) # net(x):模型本身有参数,所以只需要x loss将预测值和真实值做loss
trainer.zero_grad() # 梯度清零
l.backward() # 自动求了sum,所以不用求了
trainer.step() # 进行一次模型的更新
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
线性回归的简洁实现
最新推荐文章于 2024-08-29 22:25:44 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)