《动手学深度学习》第三章——（2）linear-regression-concise的python实现_1. 在`linear-regression-concise.ipynb`或`softmax-reg-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_45042017/article/details/122949163

本文介绍了如何使用PyTorch库从头构建一个简单的线性回归模型，包括数据准备、模型定义、参数初始化、损失函数和优化器的选择，以及模型训练过程。每次运行由于权重初始化随机性，loss值会有变化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

作者github

线性回归模型的简洁实现

import torch
from d2l import torch as d2l
from torch import nn
from torch.utils import data

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)


def load_array(data_arrays, batch_size, is_train=True):  # @save
    """构造一个PyTorch数据迭代器"""
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)


batch_size = 10
data_iter = load_array((features, labels), batch_size)
# 使用框架预定义好的层


net = nn.Sequential(nn.Linear(2, 1))  # 输入是二维，输出是一维

# 初始化模型参数
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

# 计算均方误差使用的是MELoss类，也称为L_2范数
loss = nn.MSELoss()
# 实例化SGD(随机梯度下降)实例
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
# 训练
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X), y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1},loss {l:f}')

输出：

epoch 1,loss 0.000229
epoch 2,loss 0.000091
epoch 3,loss 0.000091

每次运行输出会略有区别的原因：

因为我们的权重参数是随机初始化的，所以每次运行会有不同的loss.