linear_regression_gluon

最新推荐文章于 2025-06-08 00:35:39 发布

成王败寇_

最新推荐文章于 2025-06-08 00:35:39 发布

阅读量153

点赞数

CC 4.0 BY-SA版权

分类专栏： mxnet 文章标签： mxnet

本文链接：https://blog.youkuaiyun.com/qq_21403043/article/details/94003100

mxnet 专栏收录该内容

2 篇文章

订阅专栏

本文通过使用MXNet框架，详细介绍了如何从零开始实现线性回归模型。包括数据生成、模型定义、损失函数设置、优化算法选择及模型训练等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from mxnet import autograd, nd

#生成数据
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = nd.random.normal(scale=1, shape=(num_examples, num_inputs))
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += nd.random.normal(scale=0.01, shape=labels.shape)

#读取数据
#为避免data模块和其他命名出现重复，采用假名gdata
from mxnet.gluon import data as gdata

batch_size=10
dataset=gdata.ArrayDataset(features,labels)
data_iter=gdata.DataLoader(dataset,batch_size,shuffle=True)

#定义模型
from mxnet.gluon import nn
net=nn.Sequential()

net.add(nn.Dense(1))

#初始化模型参数
from mxnet import init
net.initialize()

#定义损失函数
from mxnet.gluon import loss as gloss
loss=gloss.L2Loss()

#定义优化算法
from mxnet  import gluon
trainer=gluon.Trainer(net.collect_params(),'sgd',{'learning_rate':0.3})

#开始训练模型
epoch_nums=50
for epoch in range(0,epoch_nums):
    for X,y in data_iter:
        with autograd.record():
            l=loss(net(X),y)
            l.backward()
    trainer.step(batch_size)
    train_l=loss(net(features),labels)
    print('epoch %d, loss %f' %(epoch,train_l.mean().asnumpy()))