线性回归训练流程

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

目录

一、线性回归的完整训练流程

二、步骤

1.数据生成 

2.数据加载器

功能

3.线性模型 (fun) 和 损失函数 (maeloss)

功能

4.随机梯度下降 (sgd)

功能

5.模型训练

训练过程

6.参数对比

7.可视化结果

功能

总结

---

 

一、线性回归的完整训练流程

包括数据生成、批量数据加载、模型定义、损失计算、梯度更新，以及最后的训练结果可视化。以下是详细的解释：

二、步骤

1.数据生成 

代码如下（示例）：

def create_data(w,b,data_num):
    x=torch.normal(0,1,(data_num,len(w))) # 随机生成特征 x，服从标准正态分布
    y=torch.matmul(x,w)+b  # 按线性关系生成目标值 y

    noise=torch.normal(0,0.01,y.shape) # 添加噪声，模拟真实数据的不确定性
    y+=noise # 将噪声加到目标值上

    return x,y

num=500
true_w=torch.tensor([8.1,2,2,4]) #权重
true_b=torch.tensor(1.1) #偏置值

• 生成特征：x 是一个服从正态分布的二维张量，行数为样本数量，列数为特征数量（由 w 的长度决定）。
• 生成目标值：通过公式 y=xw+by = xw + by=xw+b 计算真实值。
• 添加噪声：为目标值加入小幅随机噪声，增加数据的随机性。

2.数据加载器

代码如下（示例）：

def data_provider(data,label,batchsize):
    length=len(label)
    indices=list(range(length)) # 生成样本索引
    random.shuffle(indices) # 打乱索引，保证数据顺序随机

    for each in range(0,length,batchsize): # 按批量大小划分数据
        get_indices=indices[each:each+batchsize]
        get_data=data[get_indices]
        get_label=label[get_indices] 

        yield get_data,get_label # 使用生成器逐批返回数据

功能

• 数据分批：将完整的数据集分成小批量（batchsize），用于梯度下降训练。
• 随机性：每次迭代随机打乱数据，减少过拟合风险。
• 生成器：用 yield 按需返回小批量数据，节省内存。