Class9簡潔實現

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

# 初始化訓練樣本、測試樣本、樣本特征維度和批量大小
n_train,n_test,num_inputs,batch_size = 20,100,200,5
# 設置真實權重和偏置
true_w,true_b = torch.ones((num_inputs,1)) * 0.01,0.05
# 生成訓練數據
# d2l.synthetic_data():函數生成模擬的訓練數據
# synthetic_data()L返回三元組(features,labels)
train_data = d2l.synthetic_data(true_w,true_b,n_train)
# 數據封裝為訓練數據迭代器
# d2l.load_array():把數據打包成一個笑屁劉昂迭代器，便于后續訓練
# batch_size=5:每次迭代返回5個樣本
train_iter = d2l.load_array(train_data,batch_size)
# 生成測試數據
test_data = d2l.synthetic_data(true_w,true_b,n_test)
# 數據封裝為測試數據迭代器
test_iter = d2l.load_array(test_data,batch_size,is_train=False)

# 實現帶權重衰減(L2正則)線性回歸模型訓練
# wd:L2正則化系數lambd
def train_concise(wd):# 構建一個全連接層，輸入為num_inputs，輸出為1net = nn.Sequential(nn.Linear(num_inputs, 1))for param in net.parameters():# 將參數用正態分布隨機初始化param.data.normal_()# 樣本的均方誤差不求平均loss = nn.MSELoss(reduction='none')# 定義訓練輪數和學習率num_epochs, lr = 100, 0.003# 使用隨機梯度下降優化器trainer = torch.optim.SGD([# 權重參數，應用L2正則{"params":net[0].weight,'weight_decay': wd},# 偏置參數，不加正則{"params":net[0].bias}], lr=lr)# 定義可視化工具animator = d2l.Animator(xlabel='epochs', ylabel='loss', yscale='log',xlim=[5, num_epochs], legend=['train', 'test'])# 循環訓練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()# 計算每個樣本的MSELossl = loss(net(X), y)# 進行反向傳播l.mean().backward()# 更新模型參數trainer.step()# 每5輪評估訓練集和測試集的loss損失函數if (epoch + 1) % 5 == 0:# 將當前loss加入到動態圖中animator.add(epoch + 1,(d2l.evaluate_loss(net, train_iter, loss),d2l.evaluate_loss(net, test_iter, loss)))# 打印輸出L2范數print('w的L2范數：', net[0].weight.norm().item())

train_concise(0)

train_concise(3)