大型营销型网站建设,网站的管理维护,系统门窗品牌10大品牌排行,响应式布局网站开发生成数据集synthetic_data()读取数据集data_iter()初始化模型参数w, b定义模型#xff1a;线性回归模型linreg()定义损失函数#xff1a;均方损失squared_loss()定义优化算法#xff1a;梯度下降sgd()进行训练#xff1a;输出损失loss和估计误差
%matplotlib inline
impor…生成数据集synthetic_data()读取数据集data_iter()初始化模型参数w, b定义模型线性回归模型linreg()定义损失函数均方损失squared_loss()定义优化算法梯度下降sgd()进行训练输出损失loss和估计误差
%matplotlib inline
import random
import torch
from d2l import torch as d2l# 生成数据集
def synthetic_data(w, b, num_examples): #save生成yXwb噪声X torch.normal(0, 1, (num_examples, len(w)))y torch.matmul(X, w) by torch.normal(0, 0.01, y.shape)return X, y.reshape(-1, 1)true_w torch.tensor([2, -3.4])
true_b 4.2
features, labels synthetic_data(true_w, true_b, 1000)# 读取数据集
def data_iter(batch_size, features, labels):# 获取x中特征的长度转换成列表通过for循环进行批量生成num_examples len(features)indices list(range(num_examples))# 这些样本是随机读取的没有特定的顺序random.shuffle(indices)for i in range(0, num_examples, batch_size):# 此时获取的是向量了最后如果不足批量大小取最后剩余的batch_indices torch.tensor(indices[i: min(i batch_size, num_examples)])yield features[batch_indices], labels[batch_indices]# 初始化模型参数
w torch.normal(0, 0.01, size(2, 1), requires_gradTrue)
b torch.zeros(1, requires_gradTrue)# 定义模型线性回归模型
def linreg(X, w, b):return torch.matmul(X, w) b# 定义优化算法sgd
# lr学习率
def sgd(params, lr, batch_size):with torch.no_grad():for param in params:param - lr * param.grad / batch_sizeparam.grad.zero_()训练1、读取批量样本获取预测2、计算损失反向传播存储每个参数的梯度3、调用优化算法sgd来更新模型参数4、输出每轮的损失lr 0.03
num_epochs 10
net linreg
loss squared_lossfor epoch in range(num_epochs):for X, y in data_iter(batch_size, features, labels):# X和y的小批量损失# net()返回yX*wbloss()返回(y-y)^2/2l loss(net(X, w, b), y)\# 因为l形状是(batch_size, 1)而不是一个标量。L中的所有元素被加到一起# 并以此计算关于[w, b]的梯度l.sum().backward()# sgd()w w - lr*w/batch_size# 使用参数的梯度更新参数sgd([w, b], lr, batch_size)with torch.no_grad():# loss(y_hat, y)# net(features, w, b)相当于y_hatlabels相当于ytrain_1 loss(net(features, w, b), labels)print(fepoch {epoch 1}, loss{float(train_1.mean()):f})# 输出w和b的估计误差
print(fw的估计误差{true_w - w.reshape(true_w.shape)})
print(fb的估计误差{true_b - b})
