Python线性神经网络学习笔记

weixin_52158104

于 2024-06-05 21:52:46 发布

阅读量283

点赞数 5

文章标签：神经网络人工智能深度学习

本文链接：https://blog.csdn.net/weixin_52158104/article/details/139477878

版权

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)