波士顿房价

波士顿房价预测是一个经典的机器学习任务。根据预测结果是否连续的是实数值，还是离散的标签，区分为回归任务和分类任务。因为房价是连续值，所以房价预测显然是回归任务。用最简单的神经网络模型。

1输入：

读取数据，包含数据形状变化，数据集划分，数据归一化，最后封装成dataloader。

2前向（模型设计）：

取出第一条样本，特征向量与参数向量相乘，初始化偏移量。封装成class network。通过w，b求得预测值y。

3计算loss（训练配置）：

先用均方误差作为评价真实值和预测值的差距（network类定义一个loss（y，y'）），

4后向（计算梯度）

然后使用梯度下降法，Numpy进行梯度计算，随机梯度下降法训练模型

5更新权重（确定损失函数更小的点）

沿着梯度的反方向移动一小步，找到下一个p1观察损失函数变化。（定义步长，更新参数）

net.w[5] = net.w[5] - eta * gradient_w5（更新参数所用代码）

最后封装train函数（前向计算输出、根据输出和真实值计算Loss、基于Loss和输入计算梯度、根据梯度更新参数值）。直到loss函数最小。