深度学习案例教程 课件2.4 实践任务（共2节）

2.4实践任务任务1认识线性回归任务2准备数据任务3设计模型任务4训练模型任务5预测数据任务1认识线性回归线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的

一种统计分析方法，

运用十分广泛。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。任务1认识线性回归线性回归属于回归算法，表达监督学习的过程。通过属性的线性组合来预测函数，其线性模型基本形式为：一般向量形式写成：

其中w=(w1;w2;…;wd)。w1;w2;…;wd为模型训练数据中学习到的参数，或赋予每个变量的“权值”。b也是一个学习到的参数，这个线性函数中的常量也称为模型的偏置。任务2准备数据为了更好地理解前面所讲的概念，本节将引入一个案例：根据程序员的编程代码量来预测其编程水平测试的成绩。我们将实现一个线性回归模型，并用梯度下降算法求解该模型，从而给出预测直线。这个实例问题是：假如有历史编程代码量和成绩的数据，我们应如何预测未来某个程序员的编程水平成绩呢？针对这个问题，我们的求解步骤包括：准备数据、设计模型、训练和预测。

任务2准备数据首先，我们编造一批代码量的数据。代码量数据就可以为0,1,2,3…，每个数表示以百行为单位，例如3表示300行代码量

任务2准备数据

我们可以用PyTorch的linspace来构造0~100之间的均匀数字作为代码量的变量x：任务2准备数据然后，我们生成对应的编程成绩数据，假设它就是在x的基础上加上一定的噪声，实现代码如下：任务2准备数据这样我们就构造了一个数据集，x表示代码量，y表示编程水平成绩。在这100个不同的代码量𝑥𝑖和每一个成绩𝑦𝑖对应，其中，每个<𝑥𝑖,𝑦𝑖>称为一个样本点。任务2准备数据下面，我们将数据集切分成训练集和测试集两部分。任务2准备数据接下来，我们对训练数据点进行可视化：图2.19模拟编程水平数据集的散点图任务3设计模型并让它尽可能地小。任务3设计模型

任务3设计模型在计算的过程中，我们需要计算出𝐿对𝑎、𝑏的偏导数，利用PyTorch的：

backward()可以非常方便地将这两个偏导数计算出来。任务4训练模型我们将上述思路转化为PyTorch代码。首先，我们需要定义两个自动微分变量a和b：任务4训练模型设置学习率：learning_rate=0.0001然后，完成对a和b的迭代计算：任务4训练模型另外，有几点技术细节值得说明。在计算predictions时，为了让a、b与x的维度相匹配，我们对a和b进行了扩维。PyTorch规定，不能直接对自动微分变量进行数值更新，只能对它的data属性进行更新。所以在更新a的时候，我们是在更新a.data，也就是a所包裹的张量。在PyTorch中，如果某个函数后面加上了“_”，就表明要用这个函数的计算结果更新当前的变量。例如，a.data.add_(3)的作用是将a.data的数值更新为a.data加上3。任务4训练模型最后，将原始的数据散点联合拟合的直线画出来，如下所示：图2.20数据点与拟合线任务5预测数据在测试数据集上应用我们拟合的直线来预测对应的y，也就是编程水平成绩。只需要将测试数据的x值带入我们拟合的直线即可：任务5预测数据那么，预测结果到底准不准呢？我们不妨把预测数值和实际数值绘制在一起，如下所示：图2.21拟合线与预测数据本章小节2.1PyTorch介绍2.1.1PyTorch概述2.1.2计算图概述2.2环境搭建.2.2.1Anaconda安装2.2.2PyTorch安装2.2.2Pycharm安装2.3PyTorc