1 线性回归实现

import torch
from torch.utils import data
from torch import nn

''' 1.数据准备 '''
def synthetic_data(w, b, num_examples):
    """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))

# 真实值和生成的带噪声的数据
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)

# 把数据变成小批量的
# TensorDataset 可以用来对 tensor 进行打包，就好像 python 中的 zip 功能,把feature和label捆绑
# DataLoader就是用来包装所使用的数据，每次抛出一批数据，shuffle是否打乱顺序
def load_array(data_arrays, batch_size, is_train=True):
    """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)


''' 2.模型 '''
# 2输入1输出
net = nn.Sequential(nn.Linear(2, 1))

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

# 定义损失函数
loss = nn.MSELoss()

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

''' 3.训练 '''
# 数据扫几遍
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        # 计算loss
        l = loss(net(X), y)
        # 梯度清零
        trainer.zero_grad()
        # 计算当前loss的梯度
        l.backward()
        # 按照梯度方向走
        trainer.step()
    # 这里只是为了打印
    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)

讲解：3.3. 线性回归的简洁实现 — 动手学深度学习 2.0.0-beta0 documentation