动手学习深度学习：08线性回归简洁实现 （三）

动手学习深度学习：08线性回归简洁实现

通过使用深度学习框架来简洁地实现 线性回归模型 生成数据集

import numpy as np
import torch
from torch.utils import data   #torch.utils插入一个数据集
from d2l import torch as d2l

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)   #直接可以调用这个data，生成x，y值

调用框架中现有的API来读取数据

def load_array(data_arrays, batch_size, is_train=True):  
    """构造一个PyTorch数据迭代器。"""
    dataset = data.TensorDataset(*data_arrays)
    #DataLoader每次从batch_size抽取10个元素
    return data.DataLoader(dataset, batch_size, shuffle=is_train)  #shuffle打乱次序

batch_size = 10
data_iter = load_array((features, labels), batch_size)  #data_arrays=(features, labels)，

next(iter(data_iter))   #通过next函数得到这一批 x，y

相当于前面的 随机生成w和b的值

使用框架的预定义好的层

# `nn` 是神经网络的缩写
from torch import nn

net = nn.Sequential(nn.Linear(2, 1)) #相当于"""线性回归模型。"""

#def linreg(X, w, b):  
    """线性回归模型。"""
 #   return torch.matmul(X, w) + b

初始化模型参数

net[0].weight.data.normal_(0, 0.01) #通过。weight访问到w， 通过data 访问到w的真实值，normal_使用正态分布替代data的值
net[0].bias.data.fill_(0)   #偏差

计算均方误差使用的是MSELoss类，也称为平方 L2范数

loss = nn.MSELoss()

实例化 SGD 实例

trainer = torch.optim.SGD(net.parameters(), lr=0.03) #net.parameters()所有的参数有，包括w，b

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() #先把梯度清零
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

epoch 1, loss 0.000191
epoch 2, loss 0.000106
epoch 3, loss 0.000106

比较生成数据集的真实参数和通过有限数据训练获得的模型参数

w = net[0].weight.data
print('w的估计误差：', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差：', true_b - b)

w的估计误差： tensor([1.3828e-05, 9.5677e-04])
b的估计误差： tensor([0.0005])