动手深度学习3月27日

Posted wx5cbd4315aefc1

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了动手深度学习3月27日相关的知识,希望对你有一定的参考价值。


如果想看jupyter note效果的请点击​​github地址​

线性回归从零开始实现

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

生成数据集

为了简单起见,我们将根据带有噪声的线性模型构造一个人造数据集。
我们的任务是使用这个有限样本的数据集来恢复这个模型的参数。
我们将使用低维数据,这样可以很容易地将其可视化。
在下面的代码中,我们生成一个包含1000个样本的数据集,每个样本包含从标准正态分布中采样的2个特征。我们的合成数据集是一个矩阵 动手深度学习3月27日_深度学习

我们使用线性模型参数动手深度学习3月27日_数据集_02动手深度学习3月27日_pytorch_03和噪声项动手深度学习3月27日_深度学习_04生成数据集及其标签:

动手深度学习3月27日_python_05

你可以将 动手深度学习3月27日_深度学习_04 视为捕获特征和标签时的潜在观测误差。在这里我们认为标准假设成立,即动手深度学习3月27日_深度学习_04服从均值为0的正态分布。
为了简化问题,我们将标准差设为0.01。下面的代码生成合成数据集。

def synthetic_data(w,b,num_examples):
"""生成 y = Xw + b + 噪声"""
X = torch.normal(0,1,(num_examples,动手深度学习3月21日

动手学深度学习3月20日

动手学深度学习v2学习笔记02:线性代数矩阵计算自动求导

动手深度学习4月10日

3.1 线性回归 解析解动手学深度学习 v2

3.1 线性回归 解析解动手学深度学习 v2