1、准备数据集
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.data import DataLoader
from torch.utils.data import TensorDataset
#########################################################################
#################准备若干个随机的x和y#####################################
#########################################################################
np.random.seed(100) #使用random.seed,设置一个固定的随机种子，
data_size = 150 # 数据集大小
x_range = 5 # x的范围
iteration_count = 100 # 迭代次数
# np.random.rand 是 NumPy 库中的一个函数，用于生成一个给定形状的数组，
# 数组中的元素是从一个均匀分布的样本中抽取的，这个均匀分布是在半开区间 [0, 1) 上。
# 这意味着产生的随机数将大于等于0且小于1。
#随机生成data_size个横坐标x，范围在0到x_range之间
x=x_range * np.random.rand(data_size,1)
#生成带有噪音y数据，基本分布在y=2x+6的附近
y=2*x + 6 + np.random.randn(data_size,1)*0.3
plt.scatter(x,y,marker='x',color='green')
#########################################################################
#################将训练数据转为张量#######################################
#########################################################################
#将训练数据转为张量
tensorX = torch.from_numpy(x).float()
tensorY = torch.from_numpy(y).float()
#使用TensorDataset，将tensorX和tensorY组成训练集
dataset = TensorDataset(tensorX,tensorY)
#使用DataLoader，构造随机的小批量数据
dataloader=DataLoader(dataset,
batch_size = 20, #每一个小批量的数据规模是20
shuffle =True ) #随机打乱数据的顺序
print("dataloader len =%d" %(len(dataloader)))
for index,(data,label) in enumerate(dataloader):
print("index=%d num = %d"%(index,len(data)))
2、线性回归模型的训练思路
2.1 初始化参数
设置是模型参数：权重w和偏置b
初始化为随机值
设置 requires_grad=True，PyTorch 将记录这些张量的操作历史，用于后续的自动求导
2.2 循环训练（epoch）
epoch 变量用于控制整个训练过程的迭代轮数
在机器学习和深度学习中，“epoch” 是一个常用的术语，指的是在整个数据集上完整地运行一次（即正向传播和反向传播）训练算法的过程。
定义：一个 epoch 是指训练过程中，训练集中每个样本都被使用过一次来更新模型的权重。
训练过程：在训练一个模型时，通常会将数据集分成多个批次（batches）。每个批次包含一定数量的样本。一个 epoch 完成意味着所有批次都已经过模型处理。
迭代与epoch：在一个 epoch 内，模型可能会多次迭代，每次迭代处理一个批次的数据。因此，一个 epoch 包含多个迭代（iterations）。
目的：通过多个 epochs 的训练，模型可以逐渐学习数据集中的模式，从而提高其性能。
数量：训练一个模型所需的 epochs 数量取决于多种因素，包括数据集的大小、模型的复杂度以及问题的难度。有时可能只需要几个 epochs，而有时可能需要数百甚至数千个 epochs。
监控：在训练过程中，通常会监控每个 epoch 的性能指标（如损失函数的值或准确率），以评估模型的学习进度。
过拟合与欠拟合：如果训练过多的 epochs，模型可能会过拟合（即模型学习到了数据中的噪声而非潜在的模式），而训练不足的 epochs 则可能导致欠拟合（即模型未能捕捉到数据中的关键模式）。
2.3 数据加载
内层循环通过 dataloader 遍历训练数据集的小批量数据。dataloader 是一个数据加载器，通常由 DataLoader 类创建，用于批量加载数据。
2.4 前向传播
假设 tensorX 是当前批次的数据
tensorY 是对应的真实标签
使用当前参数 w 和 b 计算预测值 h=w*tensorX +b。
2.5 计算损失
计算预测值 h 和真实值 tensorY 之间的均方误差（MSE），并保存到 loss
loss = torch.mean((h - tensorY) ** 2)
2.6 反向传播
调用 loss.backward() 进行反向传播，计算损失关于参数 w 和 b 的梯度
设置了 requires_grad=True，PyTorch 将记录这些张量的操作历史并自动求导
2.7 更新参数
使用梯度下降算法更新参数 w 和 b。学习率设置为0.01
w.data -= 0.01 * w.grad.data
b.data -= 0.01 * b.grad.data
沿着当前小批量计算的得到的梯度（导数）更新w和b
如果导数为0，则w、b保存不变
2.8 梯度清零
在每次迭代后，需要清空参数的梯度信息，以便下一次迭代计算
3、线性回归模型的实现
# 待送代的参数为w和b
w = torch.randn(1,requires_grad=True)
b = torch.randn(1,requires_grad=True)
#进入模型的循环迭代
for epoch in range(1,iteration_count):#代表了整个训练数据集的迭代轮数
# 在一个迭代轮次中，以小批量的方式，使用dataloader对数据
# batch_index表示当前遍历的批次
# data和label表示这个批次的训练数据和标记
for batch_index,(data, label)in enumerate(dataloader):
h = tensorX * w + b #计算当前直线的预测值，保存到h
#计算预测值h和真实值y之间的均方误差，保存到loss中
loss=torch.mean((h-tensorY)**2)
#计算代价1oss关于参数w和b的偏导数，设置了 requires_grad=True，PyTorch 将记录这些张量的操作历史并自动求导
loss.backward()
#进行梯度下降，沿着梯度的反方向，更新w和b的值
#沿着当前小批量计算的得到的梯度（导数）更新w和b
#如果导数为0（Δw,Δb为0），则w、b保存不变
w.data -=0.01 * w.grad.data
b.data -=0.01 * b.grad.data
print("epoch(%d) batch(%d) lossΔw,Δb,w,b, = %.3lf,%.3lf,%.3lf,%.3lf,%.3lf," %(epoch,batch_index,loss.item(),w.grad.data,b.grad.data,w.data,b.data))
#清空张量w和b中的梯度信息，为下一次迭代做准备
w.grad.zero_()
b.grad.zero_()
#每次迭代，都打印当前迭代的轮数epoch
#数据的批次batch idx和loss损失值
