线性回归的简洁实现

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}')