1、主要代码：

# 线性回归的简单实现import torchfrom torch.utils import datafrom d2l import torch as d2l# 获取数据集true_w = torch.tensor([2,-3.4])true_b = 4.2features,labels = d2l.synthetic_data(true_w,true_b,1000) # 调用d2l库中的synthetic_data构造一个数据集# 这里的d2l.synthetic_data函数就是在上一篇中的数据集生成函数 可以使用ctrl+B 查询原函数# 读取数据 构造一个数据迭代器 每次只选取batch_size规模的数据def load_array(data_arrays,batch_size,is_train=True): # TensorDataset:把输入的两类数据一一对应 data_set = data.TensorDataset(*data_arrays) # DataLoader 对数据打乱，重新排序，每次从中挑选batch_size个数据出来,shuffle决定是不是打乱数据的顺序 return data.DataLoader(data_set,batch_size,shuffle=is_train)batch_size = 10data_iter = load_array((features,labels),batch_size)# 通过next函数转换成python的iterate（x,y）next(iter(data_iter))# 模型的定义from torch import nnnet = nn.Sequential(nn.Linear(2, 1)) # Sequential有序容器，将层按顺序放在一起， list of layers# 初始化参数net[0].weight.data.normal_(0, 0.01)net[0].bias.data.fill_(0)# 误差MSELoss L2范数loss = nn.MSELoss()# 实例化SGD(优化算法) 两个参数，num_params中包含w,b，还要传入学习率trainer = torch.optim.SGD(net.parameters(), lr=0.03)# 训练过程num_epochs = 3for epoch in range(num_epochs): # 将每一次的小批量拿出来训练数据集 for x,y in data_iter: l = loss(net(x), y) trainer.zero_grad() # 梯度清零 l.backward() # 反向传播，计算当前梯度 trainer.step() # 模型更新 l = loss(net(features),labels) # 将所有的数据传入计算损失值 print(f'epoch{epoch+1}, loss{l:f}')

2、在运行代码时出现错误： import torchvision报错，UserWarning: Failed to load image Python extension: Could not find module ‘C:U 解决方法：

pip uninstall torchvision

 pip install torchvision