深度学习mxnet：：线性回归（简单版本）

线性回归（简单版本）

---

仅作为记录，不作详解

#导入
from mxnet import autograd,nd
from mxnet import gluon

#生成数据
#模型：y=Xw+b+ϵ
  
#设置特征数、样本数
num_inputs=2
num_examples=1000
#设置真实的权值w和偏移b
true_w=[2,-3.4]
true_b=4.2
#随机生成 两列1000行的数据，features的每一行是一个长度为2的向量   （相当于X）
features=nd.random.normal(scale=1,shape=(num_examples,num_inputs))
#标签生成 ，labels的每一行是一个长度为1的向量  （相当于Y）
labels=true_w[0]*features[:,0]+true_w[1]*features[:,1]+true_b
labels+=nd.random.normal(scale=0.01,shape=labels.shape)

#输出看一下
print(features[0], labels[0])

 

#读取数据
batch_size=10
dataset=gluon.data.ArrayDataset(features,labels)
data_iter=gluon.data.DataLoader(dataset,batch_size,shuffle=True)

#看一下随机生成的小样本集
for data,label in data_iter:
    print(data,label)
    break

 

#定义模型
#Sequential()容器，可以不断加神经网络的层数
net=gluon.nn.Sequential()
#加入一个dense层，即全连接层
#唯一参数为输出节点的个数，线性回归中为1
#不需要输入节点的个数，这个会自动赋值
net.add(gluon.nn.Dense(1))

#初始化模型参数
net.initialize()

#定义损失函数
square_loss=gluon.loss.L2Loss()

#优化算法，这里用梯度下降
trainer=gluon.Trainer(
    net.collect_params(),"sgd",{'learning_rate':0.1})

#开始训练，与0到1建立版本差不多
epochs=5
batch_size=10
for e in range(epochs):
    total_loss=0
    for data,label in data_iter:
        with autograd.record():
            output=net(data)
            loss=square_loss(output,label)
        loss.backward()
        trainer.step(batch_size) #走一步，即训练--更新参数一次
        #这里就直接将每次计算的loss加起来
        total_loss+=nd.sum(loss).asscalar()
    #最后再将总的loss/总样本数得到均值
    #这里写法与《线性回归从0到1建立》有所不同，但实际上做的是一个事情
    print("epoch %d,average loss:%f"%(e,total_loss/num_examples))

 

#查看训练后的参数
dense=net[0]
print("model w is:",dense.weight.data())
print("true w is:",true_w)
print("model b is:",dense.bias.data())
print("true b is:",true_b)