深度学习_7_实战_点集最优直线解_优化版代码解析
完整版优化代码：
import torch
from torch.utils import data
from d2l import torch as d2l # 特定导入
from torch import nn
def load_array(data_arrays, batch_size, is_train=True):
dataset = data.TensorDataset(*data_arrays) #解包传递，转成张量类型
# print(dataset)
return data.DataLoader(dataset, batch_size, shuffle = is_train) #每次挑选batch_size个样本，创建数据加载器
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b,1000) # 造1000点集
batch_size = 10
data_iter = load_array((features, labels), batch_size)#地址
#print(next(iter(data_iter)))#迭代器获取点集
net = nn.Sequential(nn.Linear(2, 1)) #指定好输入维度为2输出维度为1，Line层次，放在容器里
net[0].weight.data.normal_(0, 0.01) #net[0]也就是线性层次，设置w为均值0方差为0.01
net[0].bias.data.fill_(0) #b
loss = nn.MSELoss() #专门求均方误差的函数
trainer = torch.optim.SGD(net.parameters(), lr = 0.03)#求梯度函数也是有的,需要传入，w和b,以及学习率
num_eochs = 3
for epoch in range(num_eochs):
for x, y in data_iter:
l = loss(net(x), y)
trainer.zero_grad()#先清零梯度
l.backward()#算梯度
trainer.step()#模型更新，自动做梯度下降处理
l = loss(net(features), labels)#模型更新完就测试
print(f'epoch{epoch + 1}, loss{l:f}')
效果：
代码解析：
def load_array(data_arrays, batch_size, is_train=True):
dataset = data.TensorDataset(*data_arrays) #解包传递，转成张量类型
# print(dataset)
return data.DataLoader(dataset, batch_size, shuffle = is_train) #每次挑选batch_size个样本，创建数据加载器
将(features, labels)包装成元组传递给data_arrays,*data_arrays是将元组解包传递给TensorDataset，目的是整合成一个张量数据集，方便后续取出，训练模型，dataset 本质是获取上述数据集所放置的地址
data.DataLoader函数用于管理数据的加载和批次生成，shuffle = is_train，将数据打乱，最后返回数据地址
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b,1000) # 造1000点集
batch_size = 10
data_iter = load_array((features, labels), batch_size)#地址
用真实的w, b造1000个点集，为了后续训练函数，然后将数据打乱返还，每次返还10个
net = nn.Sequential(nn.Linear(2, 1)) #指定好输入维度为2输出维度为1，Line层次，放在容器里
net[0].weight.data.normal_(0, 0.01) #net[0]也就是线性层次，设置w为均值0方差为0.01
net[0].bias.data.fill_(0) #b
loss = nn.MSELoss() #专门求均方误差的函数
nn.Linear(2, 1)，line是线性模型的意思，本次优化的模型就是线性模型，2，1表示，输入特征维度是2，输出特征维度为1
例：[[1,2],[3,4]]为输入 [[1],[2]]为输出
输入列数为2代表两个特征，如房子的面积和卧室数量
输出列数为1代表一特征，如房子的总价格
Sequential是容器，net[0]就是调用容器的第一层
net[0].weight.data.normal_(0, 0.01) #net[0]也就是线性层次，设置weight为均值0方差为0.01
net[0].bias.data.fill_(0) #bias,对应第二个参数b
上述分别对模型的w,b进行初始化,只不过这个w,b换成了weight和bias
num_eochs = 3
for epoch in range(num_eochs):
for x, y in data_iter:
l = loss(net(x), y)
trainer.zero_grad()#先清零梯度
l.backward()#算梯度
trainer.step()#模型更新，自动做梯度下降处理
l = loss(net(features), labels)#模型更新完就测试
print(f'epoch{epoch + 1}, loss{l:f}')
所有数据跑三次，分批次取出训练，并查看训练成果