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)
【深度学习】线性回归问题的简洁实现(李沐:动手学深度学习)
最新推荐文章于 2023-04-11 20:34:33 发布