pytorch实现简单线性回归模型

思路

1. 生成原始数据
2. 根据原始数据以及batch_size，生成小批量数据
3. 定义模型（网络）
4. 定义误差函数
5. 定义优化算法
6. 主函数传参训练

生成原始数据

def synthetic_data(w, b, num_examples):
    """ 生成 y = Xw + b + 噪声。"""
    # torch.normal(mean, std, (x, y))：返回一个shape为(x,y)的矩阵，矩阵中的元素：从
    # 满足均值mean，方差std的正态分布的数据中，选择的x*y个
    X = torch.normal(0, 1, (num_examples, len(w)))
    y = torch.matmul(X, w) + b  #y中每个元素都加上b
    y += torch.normal(0, 0.01, y.shape)
    # y.reshape((-1, 1))的含义：若y中含有n个元素，则把y reshape成shape为n*1的列向量
    return X, y.reshape((-1, 1))

生成小批量数据

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    # 随机读取样本，shuffle(data)随机打乱数据data
    random.shuffle(indices)
    # python中参数中区间为[x:y]时基本上都对应实际区间[x:y)
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(indices[i:min(i+batch_size, num_examples)])
        # yield返回一个迭代器
        yield features[batch_indices], labels[batch_indices]

定义模型（网络）

def linreg(X, w, b):