tangzhaotz的博客

"""目标：知道如何手动完成线性回归假设我们的基础模型就是y = wx+b，其中w和b均为参数，我们使用y = 3x+0.8来构造数据x、y，所以最后通过模型应该能够得出w和b应该分别接近3和0.8步骤：1、准备数据2、计算预测值3、计算损失，把参数的梯度值置为0，进行反向传播4、更新参数"""# import torch# import numpy# from matplotlib import pyplot as plt## # 1、准备数据# x = torch.r

#!H:\pytorch# -*- coding:utf-8 -*- #Author: Tangzhao#content:pytorch"""we begin by creating an artificial dataset that is stored in a csv (comma-separated values)file ../data/house_tiny.csv. Data"""import osdef mkdir_if_not_exist(path): #@save

"""autograd 包为张量上的所有操作提供了自动求导机制。它是一个在运行时定义(define-by-run）的框架，这意味着反向传播是根据代码如何运行来决定的，并且每次迭代可以是不同的torch.Tensor 是这个包的核心类。如果设置它的属性 .requires_grad 为 True，那么它将会追踪对于该张量的所有操作。当完成计算后可以通过调用 .backward()，来自动计算所有的梯度。这个张量的所有梯度将会自动累加到.grad属性.要阻止一个张量被跟踪历史，可以调用 .det

# 张量类似于numpy的ndarray，但还可以在GPU上是用来加速from __future__ import print_functionimport torch# 创建一个没有初始化的矩阵x = torch.empty(5,3)print(x)"""tensor([[8.9082e-39, 8.9082e-39, 8.9082e-39], [1.0194e-38, 9.1837e-39, 8.4490e-39], [9.6429e-39, 8.4490