【深度学习】线性回归问题的简洁实现（李沐：动手学深度学习）

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
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
#调用d2l中的库，实现根据真实的w和b的shape随机生成对应的feature和lable
features,lables = d2l.synthetic_data(true_w,true_b,1000);
lr=0.03
# 这一部分获取数据集.
def load_array(data_arrays,batch_size,is_train=True):
    # 这里是将一个feature对应一个lables打包起来
    dataset = data.TensorDataset(*data_arrays)
    # 如果是训练集,就打乱顺序,如果不是训练集,就不打乱.
    return data.DataLoader(dataset,batch_size,shuffle=is_train)
batch_size = 10;
data_iter = load_array((features,lables),batch_size)

net = torch.nn.Sequential(torch.nn.Linear(2,1))
#net[0]表示的是第一层.也就是这里的线性层.这个容器里面可能还有很多层.
# 设置一个初始的权重和偏置.
net[0].weight.data.normal_(0,0.01)
net[0].bias.data.fill_(0)
# 定义一个损失函数
loss = torch.nn.MSELoss()
# 定义一个优化器
trainer = torch.optim.SGD(net.parameters(),lr=lr)
# 开始训练
num_epochs=3

for i in range(num_epochs):
    for X,y in data_iter:
        l= loss(net(X),y)
        # 清楚上次运算的梯度的影响
        trainer.zero_grad()
        # loss对这些参数求梯度，把这些梯度保存在参数里面，最后让训练器用保存的梯度进行更新。
        l.backward()
        # 梯度更新
        trainer.step()
    l = loss(net(features),lables)
    print("epoch",i,"loss=",loss)