线性回归简洁实现

前言

本节内容主要是讲解使用深度学习框架后的线性回归简洁实现
原理部分可以参照
线性回归理论介绍
线性回归从零开始实现

简洁实现代码解读

生成数据集

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l

# 真实权重和偏差参数
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)  # 生成人工数据，函数实现在 线性回归从零开始实现文章中

定义模型：使用框架的预定义好的层

net = nn.Sequential(nn.Linear(2, 1))

初始化模型参数

net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

损失函数

计算均方误差使用的是MSELoss类，也称为平方 2 范数

loss = nn.MSELoss()

SGD优化器

trainer = torch.optim.SGD(net.parameters(), lr=0.03)

完整代码

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
from torch import nn

# 真实权重和偏差参数
true_w = torch.tensor([2, -3.4])
true_b = 4.2

features, labels = d2l.synthetic_data(true_w, true_b, 1000)  # 生成人工数据，函数实现在 线性回归从零开始实现文章中


def load_array(features, labels, batch_size, is_train=True):
    """构造一个PyTorch数据迭代器。"""
    dataset = data.TensorDataset(features, labels)  # features需要被封装的数据样本，labels需要被封装的数据标签
    return data.DataLoader(dataset, batch_size, shuffle=is_train)


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

print(next(iter(data_iter)))

net = nn.Sequential(nn.Linear(2, 1))

net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

loss = nn.MSELoss()

trainer = torch.optim.SGD(net.parameters(), lr=0.03)

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X), y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')