【李沐深度学习】从零开始线性回归

基本公式：
$$y=(w,x)+b$$ ，其中b是偏差，w是加权和，x是关键因素。可以看作单层的神经网络，仅有输入层和输出层。
平方损失： $$l(y,y^{)}=12(y-y^{)}2$$ ，用于衡量真实值和估计值。
参数学习：
训练损失：
$$l(X,y,w,b)=12n\sum i=1n(yi-(xi,w)-b)2=12n\Vert y-Xw-b\Vert 2$$
通过最小化损失来学习参数，找到合适的w和b。
优化方式：
通过梯度优化来优化，选择合适的学习率。使用小批量随机梯度下降，随机采样b个样本来近似损失，b是批量大小。重要的超参数就是批量大小和学习率。
实现：

import random
import torch
from d2l import torch as d2l

# 构造一个人造数据集
def synthesic_data(w, b, num_examples):
    X = torch.normal(0, 1, (num_examples, len(w)))# 均值为0，方差为1
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)# 随即噪音
    return X, y.reshape(-1,1)

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthesic_data(true_w, true_b, 1000)# 得到训练样本

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))#生成list下标
    random.shuffle(indices)# 打乱下标
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(indices[i:min(i + batch_size, num_examples)])
        yield features[batch_indices], labels[batch_indices]# 类似于return

batch_size = 10
for X,y in data_iter(batch_size, features,labels):
    print(X, '\n', y)
    break

# 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):
    return torch.matmul(X, w) + b

#定义损失函数
def squared_loss(y_hat, y):
    return (y_hat - y.reshape(y_hat.shape))** 2 / 2 # 平方除2

# 定义优化算法
def sgd(params, lr, batch_size): # params里包含了w和b
    with torch.no_grad():# 更新时不用梯度
        for param in params:
            param -= lr * param.grad / batch_size# 学习率乘梯度，求个均值
            param.grad.zero_()# 梯度归零

lr = 0.03
num_epoch = 3
net = linreg
loss = squared_loss

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