使用d2l.synthetic_data函数生成sin(x)数据集

以下是使用d2l.synthetic_data函数生成sin(x)数据集的代码：

import numpy as np
import d2l

n = 1000
x = np.linspace(-np.pi, np.pi, n)
y = np.sin(x) + np.random.normal(scale=0.1, size=n)
data = np.vstack((x, y)).T

d2l.set_figsize((4, 3))
d2l.plt.scatter(x, y, 1)
d2l.plt.xlabel('x')
d2l.plt.ylabel('y')

该代码将生成1000个在[-π, π]上均匀分布的x值，并使用正弦函数和高斯白噪声生成对应的y值。最后，将数据集可视化并打印出来。

相关问题

d2l.synthetic_data函数的参数及其作用

d2l.synthetic_data函数的参数包括num_examples，num_inputs和true_w，其中num_examples是我们要生成的数据集的样本数量，num_inputs是每个样本的维度数量，true_w是我们用来生成标签数据的真实权重参数。函数的作用是生成一个带有噪声的合成数据集，作为机器学习算法的训练数据，以测试算法在这个数据集上的性能表现。

n_train, n_test, num_inputs, batch_size = 20, 100, 200, 5 true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05 train_data = d2l.synthetic_data(true_w, true_b, n_train) train_iter = d2l.load_array(train_data, batch_size) test_data = d2l.synthetic_data(true_w, true_b, n_test) test_iter = d2l.load_array(test_data, batch_size, is_train=False)

这段代码似乎是在使用 PyTorch 搭建一个线性回归模型进行训练和测试。其中，`n_train` 表示训练集大小，`n_test` 表示测试集大小，`num_inputs` 表示特征数，`batch_size` 表示批量大小。`true_w` 和 `true_b` 分别表示真实的权重和偏置，`train_data` 和 `test_data` 分别是训练集和测试集，`train_iter` 和 `test_iter` 则是将数据集转换为迭代器，以便于训练和测试时进行批量处理。