1. 主要代码:
# 线性回归的简单实现
import torch
from torch.utils import data
from d2l import torch as d2l
# 获取数据集
true_w = torch.tensor([2,-3.4])
true_b = 4.2
features,labels = d2l.synthetic_data(true_w,true_b,1000) # 调用d2l库中的synthetic_data构造一个数据集
# 这里的d2l.synthetic_data函数就是在上一篇中的数据集生成函数 可以使用ctrl+B 查询原函数
# 读取数据 构造一个数据迭代器 每次只选取batch_size规模的数据
def load_array(data_arrays,batch_size,is_train=True):
# TensorDataset:把输入的两类数据一一对应
data_set = data.TensorDataset(*data_arrays)
# DataLoader 对数据打乱,重新排序,每次从中挑选batch_size个数据出来,shuffle决定是不是打乱数据的顺序
return data.DataLoader(data_set,batch_size,shuffle=is_train)
batch_size = 10
data_iter = load_array((features,labels),batch_size)
# 通过next函数转换成python的iterate(x,y)
next(iter(data_iter))
# 模型的定义
from torch import nn
net = nn.Sequential(nn.Linear(2, 1)) # Sequential有序容器,将层按顺序放在一起, list of layers
# 初始化参数
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)
# 误差MSELoss L2范数
loss = nn.MSELoss()
# 实例化SGD(优化算法) 两个参数,num_params中包含w,b,还要传入学习率
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
# 训练过程
num_epochs = 3
for epoch in range(num_epochs):
# 将每一次的小批量拿出来训练数据集
for x,y in data_iter:
l = loss(net(x), y)
trainer.zero_grad() # 梯度清零
l.backward() # 反向传播,计算当前梯度
trainer.step() # 模型更新
l = loss(net(features),labels) # 将所有的数据传入计算损失值
print(f'epoch{epoch+1}, loss{l:f}')
2. 在运行代码时出现错误:
import torchvision报错,UserWarning: Failed to load image Python extension: Could not find module ‘C:\U
解决方法:
pip uninstall torchvision
pip install torchvision