Class9简洁实现

%matplotlib inline
import torch
from torch import nn
from d2l import torch as d2l

# 初始化训练样本、测试样本、样本特征维度和批量大小
n_train,n_test,num_inputs,batch_size = 20,100,200,5
# 设置真实权重和偏置
true_w,true_b = torch.ones((num_inputs,1)) * 0.01,0.05
# 生成训练数据
# d2l.synthetic_data():函数生成模拟的训练数据
# synthetic_data()L返回三元组(features,labels)
train_data = d2l.synthetic_data(true_w,true_b,n_train)
# 数据封装为训练数据迭代器
# d2l.load_array():把数据打包成一个笑屁刘昂迭代器，便于后续训练
# batch_size=5:每次迭代返回5个样本
train_iter = d2l.load_array(train_data,batch_size)
# 生成测试数据
test_data = d2l.synthetic_data(true_w,true_b,n_test)
# 数据封装为测试数据迭代器
test_iter = d2l.load_array(test_data,batch_size,is_train=False)

# 实现带权重衰减(L2正则)线性回归模型训练
# wd:L2正则化系数lambd
def train_concise(wd):# 构建一个全连接层，输入为num_inputs，输出为1net = nn.Sequential(nn.Linear(num_inputs, 1))for param in net.parameters():# 将参数用正态分布随机初始化param.data.normal_()# 样本的均方误差不求平均loss = nn.MSELoss(reduction='none')# 定义训练轮数和学习率num_epochs, lr = 100, 0.003# 使用随机梯度下降优化器trainer = torch.optim.SGD([# 权重参数，应用L2正则{"params":net[0].weight,'weight_decay': wd},# 偏置参数，不加正则{"params":net[0].bias}], lr=lr)# 定义可视化工具animator = d2l.Animator(xlabel='epochs', ylabel='loss', yscale='log',xlim=[5, num_epochs], legend=['train', 'test'])# 循环训练for epoch in range(num_epochs):for X, y in train_iter:# 清空梯度，防止梯度累加trainer.zero_grad()# 计算每个样本的MSELossl = loss(net(X), y)# 进行反向传播l.mean().backward()# 更新模型参数trainer.step()# 每5轮评估训练集和测试集的loss损失函数if (epoch + 1) % 5 == 0:# 将当前loss加入到动态图中animator.add(epoch + 1,(d2l.evaluate_loss(net, train_iter, loss),d2l.evaluate_loss(net, test_iter, loss)))# 打印输出L2范数print('w的L2范数：', net[0].weight.norm().item())

train_concise(0)

train_concise(3)