动手学深度学习——线性回归从零开始

  1. 生成数据集synthetic_data()
  2. 读取数据集data_iter()
  3. 初始化模型参数w, b
  4. 定义模型:线性回归模型linreg()
  5. 定义损失函数:均方损失squared_loss()
  6. 定义优化算法:梯度下降sgd()
  7. 进行训练:输出损失loss和估计误差
python 复制代码
%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y=Xw+b+噪声"""
    X = torch.normal(0, 1, (num_examples, len(w)))
    y = torch.matmul(X, w) + b
    y += 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_grad=True)
b = torch.zeros(1, requires_grad=True)


# 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_size
            param.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_loss

for 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y=X*w+b,loss()返回(y'-y)^2/2
        l = 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_hat,labels相当于y
        train_1 = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss{float(train_1.mean()):f}')


# 输出w和b的估计误差
print(f'w的估计误差:{true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差:{true_b - b}')
相关推荐
米小虾14 分钟前
Jev 拆解:不写字、只判断,一个「决策模型」如何接管 LLM 最贵的那一步
人工智能·agent
数字新视界31 分钟前
全国产化动环监控平台在机房智能化管理中的应用探索
大数据·人工智能·数据中心·机房管理·模块化机房
laoyeye8311 小时前
手写 vLLM 分页 KV Cache(三):引用计数、写时复制(CoW)与前缀缓存
人工智能·github
小码哥0681 小时前
AI+能源管理系统如何用于工厂?云捷EMS能源管理系统功能与界面详解
人工智能·能源·能源管理系统·能耗监测·能源管理系统源码·企业能源管理系统·ai+能源管理系统
墨林陌1 小时前
AI 热点日报(2026-11-19):Anthropic 全球史上最大 IPO 上市,谷歌发布 Gemini 4 Neon
人工智能
阿里云大数据AI技术1 小时前
把可观测做成基础设施:阿里云 Elasticsearch 监控链路的一次彻底重构
人工智能
TDengine (老段)2 小时前
TDengine IDMP 预测、异常检测与数据插补
大数据·数据库·人工智能·时序数据库·tdengine·涛思数据·idmp
甲维斯3 小时前
GPT6.2“买家秀”来了,吼吼呵呵!
人工智能
艾莉丝努力练剑3 小时前
【AI大模型接入SDK】C++的SessionManager 线程安全
java·开发语言·前端·c++·人工智能·学习·安全
螺丝钉tina4 小时前
[Playwright] [20][AI] 失败分析:让AI大模型帮你debug
人工智能