【李哥考研】线性表示代码代写

import torch   #导入pytorch库
import matplotlib.pyplot as plt #  导入matplotlib（用于画图）库中pyplot模块，命名为plt
import random  #导入random  ，用于生成随机数


def create_data(w, b, data_num):  #生成数据  w权重向量，b偏置项，data_num需要生成的数据点数量
    x = torch.normal(0, 1, (data_num, len(w)))  #生成符合正态分布的随机数   0正态分布的均值，1正态分布的标准差，(data_num, len(w))输出张量的形状（维度和大小）
    y = torch.matmul(x, w) + b    #matmul表示矩阵相乘

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

    return x, y

num=500   #赋值

true_w = torch.tensor([8.1,2,2,4])   #创建张量
true_b = torch.tensor(1.1)

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


plt.scatter(X[:,3],Y,1)   #绘制散点图   1指定散点图中点的大小（默认20）
plt.show()      #用于在屏幕上显示创建的图表

def data_provider(data,labal,batchsize):   #定义函数，为机器学习模型提供数据  data数据集  labal对应数据集标签  batchsize每个批次大小
    length=len(labal)             #获取标签的长度
    indices=list(range(length))   #创建索引列表
    #我不能按顺序取  把数据打乱
    random.shuffle(indices)       #打乱列表顺序

    for each in range(0,length,batchsize):     #每次访问这个函数，就能提供一批数据
        get_indices=indices[each:each+batchsize]   #从打乱后的索引列表中提取当前批次的索引
        get_data=data[get_indices]   #获取该批次数据
        get_label=label[get_indices]   #获取该批次标签

        yield get_data,get_label   #返回当前批次的数据和标签   有存档点的return

batchsize=16   #每次处理的数据样本数量
# for batch_x,batch_y in data_provider(X,Y,batchsize):    #遍历每个批次的数据和标签
#     print(batch_x,batch_y)    #打印
#     break

def fun(x,w,b):    #线性变换函数   x数据  w权重  b偏置
    pred_y=torch.matmul(x,w)+b   #矩阵相乘
    return pred_y

def maeLoss(pre_y,y):   #计算预测值和真实值之间的平均绝对误差
    return torch.sum(abs(pre_y-y))/len(y)

def sgd(paras,lr):       #随机梯度下降，更新参数
    with torch.no_grad():   #上下文管理器，用于禁用梯度计算
        for para in paras:   #遍历参数列表
            para -= para.grad*lr
            para.grad.zero_()   #清空参数梯度

lr=0.03   #设置学习率
w_0=torch.normal(0,0.01,true_w.shape,requires_grad=True)   #这个w需要计算梯度
b_0=torch.tensor(0.01,requires_grad=True)    #创建张量
print(w_0,b_0)  


epochs=50    #设置训练的轮数

for epoch in range(epochs):   #执行多次训练迭代
    data_loss=0   #初始化变量，累积损失值
    for batch_x,batch_y in data_provider(X,Y,batchsize):
        pred_y=fun(batch_x,w_0,b_0)
        loss=maeLoss(pred_y,batch_y)
        loss.backward()   #反向传播
        sgd([w_0, b_0], lr)
        data_loss += loss

    print("epoch %03d:loss:%.6f"%(epoch,data_loss))




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=3
plt.plot(X[:,idx].detach().numpy(),X[:,idx].detach().numpy()*w_0[idx].detach().numpy()+b_0.detach().numpy())     #绘制二维图   
plt.scatter(X[:,idx],Y,1)
plt.show()