线性回归的从零开始实现

• 导入需要使用的包
• 数据流水线、模型、损失函数、小批量随机梯度下降器

1. 构造人造数据集

• y=xw+b+c
• feature,label=synthetic_data(w,b,num)
• detach().numpy()有些版本tensor需要线detach出来才能转换为numpy

2. data_iter每次读取一个小批量

• data_iter(batch_size,features,labels)
• num
• 打乱下标索引 随机顺序访问样本
• 每次跳batch_size的大小，如果超出取最后一个
• yeid每次返回一个x,y

3. 定义 初始化模型参数

• w正态分布，resuires_gard=True
• b

4. 定义模型

• linreg(x,w,b)
• 线性回归模型
• return torch.matual(x,w)+b

5. 定义损失函数

def squared_loss(y_hat,y)return (y_hat-y.reshape(y_hat.shape))**2/2

6. 定义优化算法

def sgd(params,lr,batch_size)with torch.no_grad():for param in params:param-=lr*param.grad/batch_sizeparam.grad.zero_()

7. 训练过程

lr=0.03 # 调整超参数对结果产生的影响
num_epochs=3
net=lireg
loss=squared_lossfor epoch in range(num_epoch)for x,y in data_iter(batch_size,features,labels):l=loss(net(x,w,b),y) # l (batch_size,1)l.sum().backward()sgd([w,b],lr,batch_size)with torch.no_gard():train_l=loss(net(features,w,b),labels)printf(f'epoch{epoch+1},loss{float(train_l.mean()):f}')

• 比较真实参数和通过训练学到的参数来评估训练的成功成功程度