线性表示代码解析

本质就是三步：处理数据，构建模型，训练参数

import torch
import matplotlib.pyplot as plt  #画图
import random

def create_data(w,b,data_num):  #生成数据
    x=torch.normal(0,1,(data_num,len(w)))  #(data_num, len(w)) 是生成张量的形状，其中 data_num是数据点的数量，len(w)是每个数据点的特征数量。
    y=torch.matmul(x,w)+b   #matmul表示矩阵相乘

    noise=torch.normal(0,0.01,y.shape)  #噪声加到y上
    y+=noise

    return x,y

num=500  #数据数量

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

X,Y=create_data(true_w,true_b,num) #生成数据

# plt.scatter(X[:,0],Y,1)
# plt.show()

def data_provider(data,label,batchsize):  #每次访问这个函数，就能提供一堆数据
    length=len(label)
    indices=list(range(length))  #数据下标

    random.shuffle(indices) #我不能按顺序取数据 要把数据打乱

    for each in range(0,length,batchsize):#data：数据集，通常是一个列表或数组.label：对应的标签，通常也是一个列表或数组.batch_size：每个批次的数据量
        get_indices=indices[each:each+batchsize] #按批次获取数据
        get_data=data[get_indices]
        get_label=label[get_indices]

        yield get_data,get_label    #存档点的return

batchsize = 16  #每批数据处理的数量
# for batch_x,batch_y in data_probider(X,Y,batchsize):
#     print(batch_x,batch_y)
#     break

def fun(x,w,b): #定义一个模型
    pred_y=torch.matmul(x,w)+b
    return pred_y

def maeloss(pre_y,y):   #损失函数
    return torch.sum(abs(pre_y-y))

def sgd(paras,lr):  #梯度下降，paras模型参数的列表
    with torch.no_grad():       #属于这句代码的部分，不计算.梯度上下文管理器来禁用梯度计算。这是因为参数更新不需要梯度计算，这样做可以提高效率并避免不必要的计算。
        for para in paras:
            para -= para.grad*lr #更新参数
            para.grad.zero_()  #使用过的梯度，归0.以便在下一次前向传播和反向传播时重新计算梯度。

lr=0.03  #学习率，控制参数更新的步长
w_0=torch.normal(0,0.01,true_w.shape,requires_grad=True) #requires_grad=True 是一个非常重要的属性，因为它告诉 PyTorch 这个张量是一个可训练的参数。
# 当你在模型中使用这个张量时，PyTorch 会自动计算其梯度，并在优化过程中更新其值
b_0=torch.tensor(0.01,requires_grad=True)
print(w_0,b_0)

epochs=100  #训练的轮数

for epoch in range(epochs):  #训练参数
    data_loss=0              #数据损失
    for batch_x,batch_y in data_provider(X,Y,batchsize):
        pred_y=fun(batch_x,w_0,b_0) #算出来的y
        loss=maeloss(pred_y,batch_y)  #损失
        loss.backward()      #用于执行反向传播算法
        sgd([w_0, b_0], lr)
        data_loss += loss    #损失累计
    print("epoch %03d: loss: %.6f"%(epoch,data_loss))     #输出每轮损失

print("真实的函数值是",true_w,true_b)
print("训练得到的参数值是",w_0,b_0)

idx = 0  #代表第一列
plt.plot(X[:, idx].detach().numpy(), X[:, idx].detach().numpy()*w_0[idx].detach().numpy()+b_0.detach().numpy())  # 要保证维度相同
plt.scatter(X[:, idx], Y, 1)
plt.show()