Liner Regression

叫我可爱的老实人

于 2021-04-13 15:40:50 发布

阅读量348

点赞数

分类专栏： Python和深度学习

本文链接：https://blog.youkuaiyun.com/qq_44910084/article/details/115636067

版权

这篇博客介绍了如何利用PyTorch进行线性回归，包括数据生成、模型构建、损失函数和优化器的选择。首先，通过synthetic_data函数创建样本，接着使用TensorDataset和DataLoader处理数据。接着，构建简单的全连接神经网络模型，采用nn.Sequential进行组织，并使用随机梯度下降（SGD）优化器和平方损失函数进行训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

线性回归

求解一个线性模型，使得真实数据点距离模型的欧氏距离最短。
适用于求解真实值的预测问题。

学习pytorch

Step1

# torch.normal(means, std, out=None)
# 返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。
# torch.matmul
# 做乘法
def synthetic_data(w, b, num_examples):
    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)


def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    # shuffle将元素随机排列，打乱顺序
    random.shuffle(indices)
    # range(开始，终止，步长)
    for i in range(0, num_examples, batch_size):
        batch_indeices = torch.tensor(indices[i : min(i + batch_size, num_examples)])
        # yield是一个生成器
        yield features[batch_indeices], labels[batch_indeices]
batch_size = 10


for x, y in data_iter(batch_size, features, labels):
    print(x, '\n', y)
    <

最低0.47元/天解锁文章