线性回归的简介实现

引入一些比较的包，注意torch.utils中的data！！

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

true_w = torch.tensor([2, -3.4])
true_b = 4.2
#随机生成features和labels，这里是真实的
features, labels = d2l.synthetic_data(true_w, true_b, 1000)

理解TensorDataset和DataLoader！！！！

#布尔值is_train表示是否希望数据迭代器对象在每个迭代周期内打乱数据
def load_array(data_arrays, batch_size, is_train=True):  #@save
    """构造一个PyTorch数据迭代器"""
    #TensorDataset将两个tensor放在一起
    #单个星号代表这个位置接收任意多个非关键字参数，在函数的*位置上将其转化成元组
    #而双星号代表这个位置接收任意多个关键字参数，在**位置上将其转化成字典
    # *data_arrays是元祖 tuple
    dataset = data.TensorDataset(*data_arrays)
    #DataLoader 重新排序
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

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

这里观察好像要用next(iter ( ) )，来观察！！很细节

#next iter 
next(iter(data_iter))

nn代表神经网络

# nn是神经网络的缩写
from torch import nn
# Sequential list of layers有序的将神经网络排列
net = nn.Sequential(nn.Linear(2, 1))

初始化权重w（均值0，方差0.01）和b（0）

#weight  w 
net[0].weight.data.normal_(0, 0.01)
#bias  b
net[0].bias.data.fill_(0)

loss直接用MSELoss（）因为是回归问题

#也称为平方范数
loss = nn.MSELoss()

torch.optim.SGD小批量梯度下降

#小批量梯度下降
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

模型最重要的部分！！！！！！！！

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        #计算损失函数
        l = loss(net(X) ,y)
        #梯度清零
        trainer.zero_grad()
        #更新w，b
        l.backward()
        #模型更新
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')