# -*- coding: utf-8 -*-
import torch
import numpy as np
import matplotlib.pyplot as plt
import random
from torch import nn
from torch.nn import init
import torch.optim as optim
'''生成数据集
'''
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.tensor(np.random.normal(0, 1, (num_examples, num_inputs)), dtype=torch.float)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float)
'''读取数据
'''
import torch.utils.data as Data
batch_size = 10
# 将训练数据的特征和标签组合
dataset = Data.TensorDataset(features, labels)
# 随机读取小批量
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
''' 定义模型
'''
class LinearNet(nn.Module):
def __init__(self, n_feature):
super(LinearNet, self).__init__()
# n_feature表示输入个数（特征个数），1表示 输出层的个数 =神经元的个数
self.linear = nn.Linear(n_feature, 1)
# forward 定义前向传播
def forward(self, x):
y = self.linear(x)
return y
net = LinearNet(num_inputs)
# print(net) # 使用print可以打印出网络的结构
#LinearNet( (linear): Linear(in_features=2, out_features=1, bias=True))
'''
# 比较方便的写法 Sequential是一个有序的容器，网络层将按照在传入Sequential的顺序依次被添加到计算图
net = nn.Sequential(
nn.Linear(num_inputs, 1)
# 此处还可以传入其他层
)
# 训练的参数 net目前只有个数，net.parameters()只是给所有可学习的参数随机化了一个值
for param in net.parameters():
print(param)
# 注意：torch.nn仅支持输入一个batch的样本不支持单个样本输入，如果只有单个样本，可使用input.unsqueeze(0)来添加一维。
'''
'''初始化参数 ，初始化后net.parameters()的初始值则确定
'''
init.normal_(net.linear.weight, mean=0, std=0.01)
init.constant_(net.linear.bias, val=0) # 也可以直接修改bias的data: net[0].bias.data.fill_(0)
'''定义损失函数 # 均方误差损失
'''
loss = nn.MSELoss()
'''定义优化器
# 多个网络的优化器
optimizer =optim.SGD([
# 如果对某个参数不指定学习率，就使用最外层的默认学习率
{'params': net.subnet1.parameters()}, # lr=0.03
{'params': net.subnet2.parameters(), 'lr': 0.01}
], lr=0.03)
'''
optimizer = optim.SGD(net.parameters(), lr=0.03)
# print(optimizer)
'''训练模型
'''
num_epochs = 3
for epoch in range(1, num_epochs + 1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
