《动手学深度学习》学习pytorch之线性回归

本文链接：https://blog.csdn.net/weixin_39198406/article/details/104317830

本文详细介绍了如何使用PyTorch从零实现线性回归模型，涵盖了基本的张量操作、损失函数、梯度下降优化算法，并提供了简洁的模型实现。通过实例展示了线性回归在房屋价格预测中的应用，以及训练过程和相关问题的讨论。

摘要由CSDN通过智能技术生成

本节主要讲解如下几点：

pytorch的基本使用
从零实现线性回归模型
– 模型
– 损失函数
– 优化函数（随机梯度下降）
线性回归模型基于pytorch的简洁实现
pytorch相关的几个问题

pytorch的基本使用

创建矢量

也可以叫沿用tensorflow的说法叫做张量

import torch
import time

# init variable a, b as 1000 dimension vector
n = 1000
a = torch.ones(n)
b = torch.ones(n)

print(a.shape)
print(b.shape)

torch.Size([1000])
torch.Size([1000])

矢量计算

直接

a = torch.ones(1000)
b = torch.ones(1000)

c = a + b
print(type(c))
print(c.shape)
print(c.size())

<class 'torch.Tensor'>
torch.Size([1000])
torch.Size([1000])

从零实现线性回归模型

线性回归模型的基本要素

线性回归

我们可以简要看作房屋的价格与面积和年限的线性关系，即价格会根据面积和年限的增大和减少线性变化，其中w和b是常值：
$\mathrm{price} = w_{\mathrm{area}} \cdot \mathrm{area} + w_{\mathrm{age}} \cdot \mathrm{age} + b$

先定义数据集，假定有两个特征：

num_inputs = 2  # 特征数量
num_examples = 1000  # 数据条数

# 生成 1000*2 的随机矢量代表1000条2个特征的数据集
X = torch.randn(num_examples, num_inputs, dtype