沐神深度学习笔记6（3）

线性回归的简洁实现：

1.生成数据集。

代码：

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l

此处可以看到，导入了torch.utils中的data

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true, 1000)
#通过synthetic_data函数生成数据集

这里调用了synthetic_data来生成数据集。

2.读取数据集

代码：

def load_array(data_arrays, batch_size, is_train=True):
    """构造迭代器"""
    dataset = data.TensorDataset(*data_arrays)
    #这里，TensorDataset函数，是把输入的两类数据一一对应，*的作用是把输入数据拆包
    return data.DataLoader(dataset, batch_size, shuffle=is_train)
    #DataLoader函数用于重新排序

batch_size = 10
daya_iter = load_array((feature, labels), batch_size)

next(iter(data_iter))

dataloader中第二项batch_size表示每次取的个数，shuffle表示是否需要随机打乱顺序

这里is train是训练集，所以要打乱。

结果：

 

3.模具：

调用框架的预定义好的层

代码：

from torch import nn

net = nn.Sequential(nn.Linear(2,1))

nn是神经网络的缩写，里面有大量定义好的层，线性回归只要用线性层，只要指定输入和输出的维度，上面使用了nn的linear层，输入为2，输出为1；然后把层放在sequential容器中

初始化模型参数

代码;

net[0].weight.data.normal_(0, 0.01)
#net[0]表示选中网络中的第一层,此处weight.data表示w的值,也相当于之前的实现中的相关函数#的X的值，用于产生数据集，使用normal中的分布替换（y=Xw+b)
net[0].bias.data.fill_(0）
#这里的bias表示偏置，置0

均方误差调用

代码：

loss = nn.MSELoss()

sgd优化调用

代码：

trainer = torch.optim.SGD(net.parameters(), lr=0.03)

parameter是network中所有参数，包括w和b，lr表示学习率

4.训练模块

代码：

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(x), y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')