250314

.gitignore

@@ -10,4 +10,5 @@
 
 .vscode
 
-lab/data
+lab/data
+lab/models

Users/username/code/linear_regression_m1.py

@@ -1,40 +0,0 @@
-import torch
-
-# 检查MPS可用性（需要PyTorch 1.12+和macOS 12.3+）
-device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")
-
-# 生成训练数据（移动到MPS设备）
-X = torch.randn(1000, 2).to(device)  # 1000个样本，2个特征
-y = X @ torch.tensor([2.0, -3.4], device=device) + 4  # 真实关系式
-y += 0.01 * torch.randn(y.shape, device=device)  # 添加噪声
-
-# 定义模型（必须继承nn.Module）
-class LinearRegression(torch.nn.Module):
-    def __init__(self):
-        super().__init__()
-        self.linear = torch.nn.Linear(2, 1)  # 输入2维，输出1维
-        
-    def forward(self, x):
-        return self.linear(x)
-
-model = LinearRegression().to(device)  # 将模型移至MPS设备
-criterion = torch.nn.MSELoss()
-optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
-
-# 训练循环
-for epoch in range(500):
-    # 前向传播
-    outputs = model(X)
-    loss = criterion(outputs, y.unsqueeze(1))
-    
-    # 反向传播
-    optimizer.zero_grad()
-    loss.backward()
-    optimizer.step()
-    
-    if epoch % 50 == 0:
-        print(f'Epoch {epoch}, loss: {loss.item():.4f}')
-
-# 输出最终参数
-print("Learned weights:", model.linear.weight.data)
-print("Learned bias:", model.linear.bias.data)

requirements.txt

@@ -6,4 +6,5 @@ ipywidgets
 jupyter
 scikit-learn
 mnist
-graphviz
+graphviz
+tqdm