线性回归的从零开始实现（代码解析）

线性回归神经网络

https://zh.d2l.ai/chapter_linear-networks/linear-regression-scratch.html

该代码，训练数据集通过synthetic_data函数，增加噪音。生成1000项X与y数据，y作为标签也就是目标值。
其中通过小批量随机梯度下降，进行权重调整。实现方式：首先定义batch_size变量为10，由于训练数据为1000条，数据集遍历函数data_iter通过batch_size进行随机抽取100次，每次10项数据，抽取完所有数据。生成一100个数据组。

在模型训练前，我们随机对w，b赋值，初始这些参数。通过linreg函数进行数据预测，所获得的预测数据将被用来计算均方损失记作l，将l进行反向传播，计算梯度。通过sgd函数对模型的参数w，b进行调整。其中对参数进行更新时，使用到了/ batch_size，由于每次调整使用的是10个数据项，每次都要进行调整，所以一次只让他调整1/10梯度×学习率的大小，循环1000÷batch_size次之后总共调整了10×梯度×学习率的大小，防止调整过多。
迭代周期个数num_epochs指的是。1000个数据使用多少次。每次训练都会使用1000个数据。num_epochs=3就会使用3次训练数据集。

torch.no_grad()是PyTorch的一个上下文管理器，用于在不需要计算梯度的场景下禁用梯度计算。在使用torch.no_grad()上下文管理器的情况下，所有涉及张量操作的函数都将不会计算梯度，从而节省内存和计算资源

import random
import torch
from d2l import torch as d2l
def synthetic_data(w, b, num_examples):  #@save
    """生成y=Xw+b+噪声"""
    X = torch.normal(0, 1, (num_examples, 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, labels = synthetic_data(true_w, true_b, 1000)
print('features:', features[0],'\nlabel:', labels[0])

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    # 这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices)
    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]


batch_size = 10

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


w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)

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

def squared_loss(y_hat, y):  #@save
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

def sgd(params, lr, batch_size):  #@save
    """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_()


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, labels):
        l = loss(net(X, w, b), y)  # X和y的小批量损失
        # 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
        # 并以此计算关于[w,b]的梯度
        l.sum().backward()
        sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')