wvdon

沐神的 《动手学深度学习》 3.3. 线性回归的简洁实现有很多需要学习的地方。模型分为，数据输入，转换为tensorData, 加载打乱（data）## 造数据import torchfrom torch.utils import datafrom torch import nndef synthetic_data(w,b,num_examples): X = torch.normal(0,1,(num_examples,len(w))) y = torch.matmul(

线性回归从0实现代码的实现需要这么几个过程。数据读入随机打乱的数据，然后要分epoch。定义我们的模型，损失函数，优化算法定义好超参数开始 for epoch …这个过程需要根据超参数，predict pre_label，然后计算出损失的反向传播，根据优化算法去更新参数。最后记得打印每次的loss，acc,auc等参数。我们读取 ⼀小批量训练样本，并通过我们的模型来获得⼀组预测。 计算完损失后，我们开始反向传播，存储每个参数 的梯度。最后， 我们调⽤优化算法sgd来更新模型参数构造数据

参考：torch.matmul()用法介绍

默认你已经安装了cuda，并且支持GPU。# is_available 函数判断是否有cuda可以使用# ``torch.device``将张量移动到指定的设备中if torch.cuda.is_available(): device = torch.device("cuda") # a CUDA 设备对象 y = torch.ones_like(x, de...