import random
import torch
from d2l import torch as d2l
import plotly.express as px
import pandas as pd
from sklearn.model_selection import train_test_split
def synthetic_data(w, b, num_examples):  #@save
    """生成y=Xw+b+噪声"""
    # torch.normal 是 PyTorch 中的一个函数，用于从正态（高斯）分布中生成随机数。
    # 具体来说，它接受两个参数：均值（mean）和标准差（standard deviation），并返回一个张量，其中的元素是从指定分布中随机生成的。
    # 生成num_examples组，每组的长度和w的长度相等。
    X = torch.normal(0, 1, (num_examples, len(w)))
    # 在PyTorch中，torch.matmul 函数用于执行矩阵乘法运算。它接受两个张量作为输入，例如：torch.matmul(a, b)，
    # 其中 a 和 b 可以是2D、3D或高维张量。两个输入张量必须满足一定的维度要求，以便矩阵乘法能够执行，
    # 否则会引发错误。比如说，当 a 是形状为 (n, m) 的 2D 张量，b 是形状为 (m, p) 的 2D 张量时，
    # torch.matmul(a, b) 将返回一个形状为 (n, p) 的 2D 张量，这个张量包含了矩阵乘法的结果。
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)
    return X, y.reshape((-1, 1))
# 初始的w和b
true_w = torch.tensor([2, -3.4])
true_b = 4.2
# 调用
# 得到我们要使用的特征和标签
features, labels = synthetic_data(true_w, true_b, 1000)

def data_iter(batch_size, features, labels):
    """
    该函数接收批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量。 每个小批量包含一组特征和标签。
    :param batch_size:
    :param features:
    :param labels:
    :return:
    """
    # 特征数量
    num_examples = len(features)
    # 特征索引
    indices = list(range(num_examples))
    # 这些样本是随机读取的，没有特定的顺序
    # 随机清洗数据
    random.shuffle(indices)
    for i in range(0, num_examples, batch_size):
        # 当前批次的一个索引下标
        batch_indices = torch.tensor(
            indices[i: min(i + batch_size, num_examples)])
        # 在 Python 中，"yield" 是一个关键字，用于定义生成器函数。生成器函数是一种特殊的函数，
        # 可以在函数执行期间产生多个值，而不是一次性返回所有的值。当生成器函数执行到 "yield" 语句时，
        # 它会暂停执行并将一个值返回给调用者。下次调用生成器函数时，它会从上一次暂停的位置继续执行，直到再次遇到 "yield" 语句。
        yield features[batch_indices], labels[batch_indices]

def linreg(X, w, b):  #@save
    """
    线性回归模型
    将模型的输入和参数同模型的输出关联起来。
    """
    return torch.matmul(X, w) + b
def squared_loss(y_hat, y):  #@save
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
def sgd(params, lr, batch_size):  #@save
    """
    小批量随机梯度下降
    从数据集中随机抽取的一个小批量，然后根据参数计算损失的梯度。接下来
    朝着减小损失的方向更新我们的参数。
    """
    with torch.no_grad():
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_()

# 设置批次为10
batch_size = 10
# 我们通过从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重， 并将偏置初始化为0。
w = torch.normal(0, 0.01, size=(2, 1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
# 开始训练：
# 初始化参数
# 计算梯度并且更新参数。
lr = 1
num_epochs = 10
# 使用到的模型
net = linreg
# 损失函数
loss = squared_loss
for epoch in range(num_epochs):
   for X, y in data_iter(batch_size, X_train, y_train):
       l = loss(net(X, w, b), y)  # X和y的小批量损失
       # 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
       # 并以此计算关于[w,b]的梯度
       l.sum().backward()
       sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数
   with torch.no_grad():
       train_l = loss(net(X_train, w, b), y_train)
       print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')
print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)

def load_array(data_arrays, batch_size, is_train=True):  #@save
    """构造一个PyTorch数据迭代器"""
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)
batch_size = 10
data_iter = load_array((features, labels), batch_size)

# nn是神经网络的缩写
from torch import nn
# 我们将两个参数传递到nn.Linear中。 第一个指定输入特征形状，即2，第二个指定输出特征形状，输出特征形状为单个标量，因此为1。
net = nn.Sequential(nn.Linear(2, 1))
# 使用net之前，我们需要初始化模型参数。如回归模型中的权重和偏置。我们通过net[0]选择网络中的第一个图层， 然后使用weight.data和bias.data方法访问参数。 我们还可以使用替换方法normal_和fill_来重写参数值。
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

# 计算均方误差使用的是MSELoss类，也称为平方
# 范数。 默认情况下，它返回所有样本损失的平均值。
loss = nn.MSELoss()
# 小批量随机梯度下降算法是一种优化神经网络的标准工具， PyTorch在optim模块中实现了该算法的许多变种。 当我们实例化一个SGD实例时，我们要指定优化的参数 （可通过net.parameters()从我们的模型中获得）以及优化算法所需的超参数字典。 小批量随机梯度下降只需要设置lr值，这里设置为0.03。
trainer = torch.optim.SGD(net.parameters(), lr=0.03)