Pytorch深度学习笔记②：线性回归模型的简单实现

本文参考：08 线性回归 + 基础优化算法【动手学深度学习v2】_哔哩哔哩_bilibili

一、整体思路

利用深度学习Pytorch框架来实现线性回归模型的简洁实现

二、代码框架

首先，导入所需要的包，并生成数据集。

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)

再定义load_array函数，其目的是实现小批量随机梯度下降法中的小批量的选取，实现对数据集按照batch_size进行分批，并随机进行读取。

def load_array(data_arrays, batch_size, is_train=True):
    '''构造一个数据迭代器'''
    dataset = data.TensorDataset(*data_arrays)
    # 实现小批量的选取
    return data.Dataloader(dataset, batch_size, shuffle=is_train)

batch_size = 10
data_iter = load_array((features, labels), batch_size)
next(iter(data_iter))

 接下来即可构建模型

from torch import nn
net = nn.Sequential(nn.Linear(2, 1))

# 实现对模型中参数的初始化
net[0].weight.data.normal_(0, 0.01)  # 将模型中的w初始化为均值为0，方差为0.01的分布
net[0].bias.data.fill_(0)  # 将模型中的b初始化为0

# 定义损失函数为均方误差
loss = nn.MSEloss()

# 定义优化方法：实例化SGD实例来实现对模型的参数更新
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

开始训练

num_epoch = 3  # 训练次数为3
for epoch in range(num_epoch):
    for X, y in data_iter:  # 随机抽取10个小批量样本进行训练
        l = loss(net(X), y)  #计算损失
        trainer.zero_grad()  #梯度归零
        l.backward()         #求解最新梯度
        trainer.step()       #更新参数
    l = loss(net(features), labels)
    print(f"epoch{epoch + 1}, loss{l:f}")
        

最终得到结果为：