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
features, labels = d2l.synthetic_data(true_w, true_b, 1000)
#使用 d2l.synthetic_data 函数生成合成数据集,这个函数根据真实的参数 true_w 和 true_b 生成特征和标签。
def load_array(data_arrays, batch_size, is_train=True): #@save
"""构造一个PyTorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays)
return data.DataLoader(dataset, batch_size, shuffle=is_train)
batch_size = 10
data_iter = load_array((features, labels), batch_size)
next(iter(data_iter))
from torch import nn
# nn是神经网络的缩写
net = nn.Sequential(nn.Linear(2, 1))
#用于构建一个按顺序执行的神经网络层的序列。这个类允许你将多个神经网络层(或模块)串联起来,形成一个完整的网络。
#这里nn.Linear(a,b) a是输入神经元的个数,b是输出神经元的个数
#初始化模型参数
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)
#定义损失函数
loss = nn.MSELoss()
#定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
#SGD全称Stochastic Gradient Descent,随机梯度下降
#训练
#• 通过调用net(X)生成预测并计算损失l(前向传播)。
#• 通过进行反向传播来计算梯度。
#• 通过调用优化器来更新模型参数。
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), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
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)
nn.linear()
https://blog.csdn.net/zhaohongfei_358/article/details/122797190
优化器
https://www.zhihu.com/tardis/bd/art/208178763?source_id=1001
Softmax回归——用来处理分类问题
- 通常为多个输出
- 输出i是预测为第i类的置信度