前言：
简洁实现：使用深度学习开源框架达到目的
一、生成数据集
#线性回归的简洁实现就是使用pytorch内置的一些模块来实现 import numpy as np import torch from torch.utils import data #从torch.utils中导入关于data处理的模块 from d2l import torch as d2l
true_w = torch.tensor([2, -3.4])#构造w true_b = 4.2#构造b features, labels = d2l.synthetic_data(true_w, true_b, 1000)#synthetic_data生成数据集函数
在这里，我们通过true_w和true_b生成有1000个数据的数据集（也就是说，）
二、读取数据集
1、调用框架中现有的API来读取数据
2、将 features 和 labels 作为API的参数传递，并在实例化数据迭代器对象时指定 batch_size
# is_train=True：表示希望数据迭代器对象在每个迭代周期内打乱数据
# data_arrays：表示可以传入多个矩阵，即是将features和labels作为参数，data_arrays相当于一个API
def load_array(data_arrays, batch_size, is_train=True): #@save
"""构造一个PyTorch数据迭代器。"""
#TensorDateset:把输入的两类数据进行一一对应；
#DataLoader:重新排序
dataset = data.TensorDataset(*data_arrays)#*可以对list解开入参，因为features和labels作为API参数传递
return data.DataLoader(dataset, batch_size, shuffle=is_train)#每次随机挑选batch_size个样本，shuffle意思是要不要打乱顺序
# 读取10个样本 batch_size = 10 data_iter = load_array((features, labels), batch_size)
# 不能直接从data_iter中获得数据
next(iter(data_iter))#将data_iter用iter()函数转为迭代器，再使用next()函数从迭代器中获取数据
#输出结果
[tensor([[-0.5143, -1.0371],
[ 0.0254, -0.1204],
[ 0.1787, 0.2586],
[-0.6284, 0.7571],
[-0.3744, 0.5989],
[ 0.1679, -1.5357],
[-0.6135, -1.2744],
[ 0.3798, -0.8941],
[-1.6691, -0.6110],
[ 0.0555, -0.3930]]),
tensor([[6.7026],
[4.6815],
[3.6661],
[0.3918],
[1.4045],
[9.7481],
[7.2834],
[7.9958],
[2.9436],
[5.6409]])]
三、定义模型
1、使用框架的预定义好的层，即我们只需关注使用哪些层来构造模型，而不必关注层的实现细节
2、实现步骤：
首先定义一个模型变量net，它是一个 Sequential 类的实例
Sequential 类为串联在一起的多个层定义了一个容器。当给定输入数据， Sequential 实例将数据传入到第一层，然后将第一层的输出作为第二层的输入，依此类推
3、Pytorch中，全连接层在Linear类中定义。Linear中，第一个变量为输入特征形状，第二个变量为输出特征形状
# `nn` 是神经网络的缩写 from torch import nn # Linear中，第一个指定输入特征数，第二个指定输出数 net = nn.Sequential(nn.Linear(2, 1))#输入维度是2，输出维度是1； #nn.Linear(2,1)可以理解为线性回归就是简单的单层神经网络，将其放在一个Sequential中
四、初始化模型参数
1、在使用net前，需要初始化模型参数，如在此需要初始化权重与偏置
2、 在这里，我们指定每个权重参数应该从均值为0、标准差为0.01的正态分布中随机采样，偏置参数将初始化为零
# net[0]：表示使用网络中的第一个图层 # 权重参数从均值为0，标准差为0.01的正态分布中随机采样 print(net[0].weight.data) net[0].weight.data.normal_(0, 0.01)#normal_(0, 0.01)的意思是使用正态分布替换data的值，均值为0、标准差为0.01 print(net[0].weight.data) #偏置参数初始化为0 print(net[0].bias.data) net[0].bias.data.fill_(0)#bias偏差 print(net[0].bias.data) #输出函数 tensor([[ 0.0080, -0.0021]]) tensor([[-0.0073, 0.0137]]) tensor([0.]) tensor([0.])
五、定义损失函数
1、计算均方误差使用的是MSELoss类，也称为平方L2范数
2、默认情况下，他返回所有样本损失的平均值
# 平方L2范数，返回所有样本损失的平均值 loss = nn.MSELoss()
六、定义优化算法——梯度下降优化算法
# net.parameters()常用于做模块参数 # SGD随机梯度下降求解 trainer = torch.optim.SGD(net.parameters(), lr=0.03)#net.parameters()包括w和b
七、训练
1、在每个迭代周期里，我们将完整遍历一次数据集
2、在每个迭代周期里，会不停地从中获取一个小批量的输入和相应的标签，对于每一个小批量，操作如下：
- 通过调用
net(X)生成预测并计算损失l（正向传播）。 - 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#迭代三个周期
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X), y)#loss是损失函数
trainer.zero_grad()#trainer优化器，先把梯度清零
l.backward()#等价于l.sum().backward()——求和之后算梯度
trainer.step()#调用优化算法进行模型更新
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
#输出结果
epoch 1, loss 0.000215
epoch 2, loss 0.000107
epoch 3, loss 0.000108
3、比较生成数据集的真实参数和通过有限数据训练获得的模型参数
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)
#输出结果
w的估计误差： tensor([ 5.0187e-05, -1.9765e-04])
b的估计误差： tensor([0.0008])