深度学习之线性回归实现

线性回归有几个实现过程：

1. 生成数据集

使用 torch.matmul 函数计算特征矩阵 X 与权重向量 w 之间的线性组合，并加上偏置项 b，得到目标变量 y。添加噪声：使用 torch.normal 函数生成形状与目标变量 y 相同的噪声，并将其加到目标变量中。最后，返回特征矩阵 X 和重塑后的目标变量 y，其中 y 的形状为 (-1, 1)，保持列向量的形式。

def synthetic_data(w, b, num_examples):  #@save

    """生成 y = Xw + b + 噪声。"""

    X = torch.normal(0, 1, (num_examples, len(w)))  #最后一个参数指定X维度，len(w)特征个数

    y = torch.matmul(X, w) + b

    y += torch.normal(0, 0.01, y.shape)

    return X, y.reshape((-1, 1))

使用d2l库进行可视化生成第二个特征features[;,1]和labels的散点图观察两者的关系

d2l.set_figsize()

d2l.plt.scatter(features[:, (1)].detach().numpy(), labels.detach().numpy(), 1);

1. 读取数据集

每次通过读取一批的样本来更新模型

def data_iter(batch_size, features, labels):

    num_examples = len(features)

    indices = list(range(num_examples))

    # 这些样本是随机读取的，没有特定的顺序             

    random.shuffle(indices)

    for i in range(0, num_exa