动手学pytorch 线性回归简洁代码

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

true_w=torch.tensor([2,-3.4])
true_b=4.2
features,lables=d2l.synthetic_data(true_w,true_b,1000)#d2l.synthetic_data人工数据合成函数

#调用框架中现有的API来读取数据
def load_array(data_array,batch_size,is_train=True):#data_array是包含特征和标签的元组，
    """构造一个pytorch迭代器"""
    #使用 PyTorch 的 TensorDataset 类创建一个数据集对象，*data_array表示解包元组，将特征和标签传递给 TensorDataset 构造函数。
    #TensorDataset它的主要作用是将输入的张量（tensors）封装成一个数据集，方便在训练过程中进行批量处理。
    dataset=data.TensorDataset(*data_array)
    #构建并返回一个 PyTorch 数据加载器。DataLoader 将 TensorDataset 包装成一个迭代器，用于逐批次加载数据。
    # batch_size 参数定义了每个小批次的样本数量，shuffle=is_train 表示在训练模式下是否打乱数据。
    return data.DataLoader(dataset,batch_size,shuffle=is_train)#每次从数据集中挑选batch_size个样本，然后打乱

batch_size=10
#调用 load_array 函数，传递特征和标签的元组以及批量大小，得到一个数据加载器对象 data_iter。
data_iter=load_array((features,lables),batch_size)#假设已经有了features,lables做成一个list传入TensorDataset中，features和lables组成一个list传入到data_array中
#使用 iter 函数生成一个迭代器，并使用 next 函数获取下一个小批次的数据。这样可以逐个小批次地遍历数据集。
next(iter(data_iter))

#使用框架的预定义好的层

#创建了一个顺序模型（Sequential Model）。
# 这个模型包含一个线性层（nn.Linear(2, 1)），表示输入特征维度为 2，输出特征维度为 1。这是一个简单的线性回归模型。
net=nn.Sequential(nn.Linear(2,1))
#初始化模型参数
#对模型的第一个（也是唯一一个）层的权重weight进行初始化。使用正态分布（mean=0，std=0.01）来初始化权重
net[0].weight.data.normal_(0,0.01)
#对模型的第一个（也是唯一一个）层的偏置bais进行初始化。将偏置全部填充为 0。
net[0].bias.data.fill_(0)

#计算均方误差使用的是MSELoss类，也称为平方范数
loss=nn.MSELoss()
#实例化SGD实例
#net.parameters() 返回模型中所有需要训练的参数。这些参数包括权重和偏置等。
trainer=torch.optim.SGD(net.parameters(),lr=0.03)

#训练过程代码与我们从零开始实现时所做的非常相似
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),lables)
    print(f'epoch{epoch+1},loss{l:f}')

线性回归零基础版，简易版的函数在零基础版中更好理解

import random
import torch
import matplotlib.pyplot as plt
from d2l import torch as d2l


def synthetic_data(w,b,num_example):
    """生成y=Xw+b+噪声"""
    X=torch.normal(0,1,(num_example,len(w)))
    y=torch.matmul(X,w)+b
    y +=torch.normal(0,0.01,y.shape)
    return X,y.reshape((-1,1))

true_w=torch.tensor([2,-3.4])
true_b=4.2
features,lables=synthetic_data(true_w,true_b,1000)

#d2l.set_figsize()
#d2l.plt.scatter(features[:,1].detach().numpy(),lables.detach().numpy(),1);
#plt.show()

def data_iter(batch_size,features,lables):
    num_examples=len(features)#获取特征的总样本数
    indices=list(range(num_examples))#创建一个包含所有样本索引的列表
    random.shuffle(indices)#将样本索引列表随机打乱，以随机顺序遍历数据。
    for i in range(0,num_examples,batch_size):#开始一个循环，每次迭代生成一个小批次数据。
        #根据当前迭代的起始索引和批量大小，获取当前小批次的样本索引。
        batch_indices=torch.tensor(indices[i:min(i+batch_size,num_examples)])
        #使用 yield 语句生成当前小批次的特征和标签，并将其返回给调用方。
        yield features[batch_indices],lables[batch_indices]
batch_size=10
for X,y in data_iter(batch_size,features,lables):
    print(X,'\n',y)
    break;
#定义初始化模型参数
w=torch.normal(0,0.01,size=(2,1),requires_grad=True)
b=torch.zeros(1,requires_grad=True)
#定义模型
def linreg(X,w,b):
    """线性回归模型"""
    return torch.matmul(X,w)+b

#定义损失函数
def squared_loss(y_hat,y):
    """均方误差"""
    return (y_hat-y.reshape(y_hat.shape))**2/2

#定义优化函数
def sgd(params,lr,batch_size):
    """小批量随机梯度下降"""
    with torch.no_grad():
        for param in params:
            param-=lr*param.grad/batch_size
            param.grad.zero_()


#训练过程
lr=0.03
num_epochs=3
net=linreg
loss=squared_loss

for epoch in range(num_epochs):
    for X,y in data_iter(batch_size,features,lables):
        l=loss(net(X,w,b),y)
        l.sum().backward()
        sgd([w,b],lr,batch_size)
    with torch.no_grad():
        train_1=loss(net(features,w,b),lables)
        print(f'epoch{epoch+1},loss{float(train_1.mean())}')

根据李沐老师 动手学pytorch系列 逐行代码解析 仅自用 如有侵权  联系删除