import torch
from matplotlib import pyplot as plt
import numpy as np
import random
#首先生成資料集
num_inputs = 2 #每個樣本2個特征數
num_examples = 1000 #一共1000個樣本
true_w = [2, -3.4] #權重
true_b = 4.2 #偏差
features = torch.randn(num_examples, num_inputs,
dtype=torch.float32)#随機制造訓練集
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b #對應w*x
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),
dtype=torch.float32) #最後加上服從正态分布的噪聲，随機生成均值為0，标準差為
#0.01，形狀保持不變，正因為有此随機噪聲模型才有拟合的
#意義
plt.rcParams['figure.figsize'] = (5,3) #設定圖像顯示範圍
plt.scatter(features[:, 1].numpy(), labels.numpy(),1)#繪制散點圖，x軸和y軸,點的大小
plt.show()
#讀取資料
# 切分資料集
def data_iter(batch_size, features, labels):
num_examples = len(features)#資料集長度
indices = list(range(num_examples))#生成索引
random.shuffle(indices) # 樣本的讀取順序是随機的，将樣本資料随機排列
for i in range(0, num_examples, batch_size):
j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最後一次可能不足一個batch
yield features.index_select(0, j), labels.index_select(0, j)#0表示按行索引，j就是索引的那批序号
#讀取切分完的資料
batch_size = 10
for X, y in data_iter(batch_size, features, labels):
print(X, y)
break #列印一批檢視下劃分是否正确
#初始化模型參數
w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32)
b = torch.zeros(1, dtype=torch.float32)
#我們将權重初始化成均值為0、标準差為0.01的兩行一列的正态随機數，偏差則初始化成0。
#之後的模型訓練中，需要對這些參數求梯度來疊代參數的值，是以我們要讓它們的requires_grad=True。
w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)
#定義模型
def linreg(X, w, b):
return torch.mm(X, w) + b #torch.mm做矩陣乘法
#定義損失函數
def squared_loss(y_hat, y): # 本函數已儲存在d2lzh_pytorch包中友善以後使用
# 注意這裡傳回的是向量, 另外, pytorch裡的MSELoss并沒有除以 2
return (y_hat - y.view(y_hat.size())) ** 2 / 2
#定義優化算法
def sgd(params, lr, batch_size): # 本函數已儲存在d2lzh_pytorch包中友善以後使用
for param in params:
param.data -= lr * param.grad / batch_size # 注意這裡更改param時用的param.data，即不加入計算曆史計算梯度
#訓練模型
lr = 0.03 #學習率
num_epochs = 3 #疊代周期
net = linreg #模型
loss = squared_loss #損失函數
for epoch in range(num_epochs): # 訓練模型一共需要num_epochs個疊代周期
# 在每一個疊代周期中，會使用訓練資料集中所有樣本一次（假設樣本數能夠被批量大小整除）。X
# 和y分别是小批量樣本的特征和标簽
for X, y in data_iter(batch_size, features, labels):
l = loss(net(X, w, b), y).sum() # l是有關小批量X和y的損失
l.backward() # 小批量的損失對模型參數求梯度
sgd([w, b], lr, batch_size) # 使用小批量随機梯度下降疊代模型參數
# 不要忘了梯度清零
w.grad.data.zero_()
b.grad.data.zero_()
train_l = loss(net(features, w, b), labels) #計算更新過後的w和b下的損失值
print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))#顯示損失值張量的平均值的元素值（帶小數）
#比較學到的參數和用來生成訓練集的真實參數
print(true_w, '\n', w)
print(true_b, '\n', b)
