线性神经网络3-线性回归的简洁实现
import numpy as npimport torchfrom torch.utils import datafrom torch import nn# 1. 生成数据集def syntheticData(w:torch.Tensor, b:float, numExaples:int)->tuple[torch.Tensor]:'''生成y=Xw+b+噪声'''X:torch.Tensor = torch.normal(0, 1, (numExaples, len(w)))y:torch.Tensor = torch.matmul(X, w) + by += torch.normal(0, 0.01, y.shape) # 添加噪声数据return X, y.reshape((-1, 1))trueW:torch.Tensor = torch.tensor([2.0, -3.4])trueB:float = 4.2features, labels = syntheticData(trueW, trueB, 1000)# 2. 读取数据集def loadArray(dataArrays:torch.Tensor, batchSize:int, isTrain:bool=True):'''构造一个Pytorch数据迭代器dataArrays: 数据集，包括特征数据和标签数据batchSize: 小批量样本数isTrain: 表示迭代器对象是否在每个迭代周期内打乱数据'''dataSet:data.TensorDataset = data.TensorDataset(*dataArrays)return data.DataLoader(dataSet, batchSize, shuffle=isTrain)batchSize:int = 10dataIter = loadArray((features, labels), batchSize)# 3. 定义模型# a. Sequential类将多个层串联在一起。当给定输入数据时，Sequential实例将数据传入到第一层，# 然后将第一层的输出作为第二层的输入# b. 将两个参数传递到nn.Linear中。第一个指定输入特征形状，即2，# 第二个指定输出特征形状，输出特征形状为单个标量，因此为1。net:nn.Sequential = nn.Sequential(nn.Linear(2, 1))# 4. 初始化模型参数# 通过net[0]选择网络中的第一个图层net[0].weight.data.normal_(0.0, 0.01)net[0].bias.data.fill_(0.0)# 5. 定义损失函数# 计算均方误差使用的是MSELoss类，也称为平方L2范数。loss = nn.MSELoss()# 6. 定义优化算法# 指定优化的参数（可通过net.parameters()从我们的模型中获得）# 以及优化算法所需的超参数字典, 小批量随机梯度下降只需要设置lr值。trainer = torch.optim.SGD(net.parameters(), lr=0.03)# 7. 训练# 模型训练步骤# a. 通过调用net(X)生成预测并计算损失l（前向传播）。# b. 通过进行反向传播来计算梯度。# c. 通过调用优化器来更新模型参数。numEpochs:int = 3for epoch in range(numEpochs):for X, y in dataIter:# a. 通过调用net(X)生成预测并计算损失l（前向传播）。l = loss(net(X), y)trainer.zero_grad()# b. 通过进行反向传播来计算梯度。l.backward()# c. 通过调用优化器来更新模型参数。trainer.step()# 每一次循环后计算全局损失的平均值l = loss(net(features), labels)print(f'epoch {epoch+1}, loss {l:f}')# 完成模型训练后显示训练参数和真实参数间的误差w = net[0].weight.datab = net[0].bias.dataprint(f'w的估计误差: {trueW - w.reshape(trueW.shape)}')print(f'b的估计误差: {trueB - b}')
登录后免费查看全文
著作权归作者所有，欢迎分享，未经许可，不得转载
首次发布时间：2025-08-26
最近编辑：1年前
硕士
签名征集中
还没有评论
相关推荐
最新文章
