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}')