08 线性回归动手学深度学习 PyTorch版李沐视频课笔记-优快云博客

本文链接：https://blog.youkuaiyun.com/tangailong8709/article/details/122848308

这篇博客详细记录了动手学深度学习中使用PyTorch实现线性回归的过程，包括从零开始手动实现线性回归模型，定义数据迭代器、模型、损失函数和优化算法，并进行训练。还介绍了如何使用深度学习框架的预定义层和API简化线性回归的实现，通过比较训练结果和真实参数评估训练效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

动手学深度学习 PyTorch版李沐视频课笔记

李沐视频课笔记其他文章目录链接(不定时更新)

一、线性回归从零开始实现

1. 根据带有噪声的线性模型构造一个人造数据集。

1.1 使用线性模型参数 $w=[2,-3.4]^T$ , $b = 4.2$ 和噪声项 $\epsilon$ 生成数据集及其标签

$y=Xw+b+\epsilon$

Code：

%matplotlib inline
import random
import torch
from d2l import torch as d2l

def synthetic_data(w, b, num_examples):
    """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,

08 线性回归 动手学深度学习 PyTorch版 李沐视频课笔记

动手学深度学习 PyTorch版 李沐视频课笔记

文章目录

一、线性回归从零开始实现

1. 根据带有噪声的线性模型构造一个人造数据集。

1.1 使用线性模型参数 w = [ 2 , − 3.4 ] T w=[2,-3.4]^T w=[2,−3.4]T, b = 4.2 b=4.2 b=4.2和噪声项 ϵ \epsilon ϵ生成数据集及其标签

08 线性回归动手学深度学习 PyTorch版李沐视频课笔记

动手学深度学习 PyTorch版李沐视频课笔记

1.1 使用线性模型参数 $w=[2,-3.4]^T$ , $b = 4.2$ 和噪声项 $\epsilon$ 生成数据集及其标签