写作动机
上一篇主要从数学建模的角度总结了近期自学神经网络的成果,但纸上得来终觉浅,不通过代码实现一遍很多东西终究只是空中楼阁。所以本篇总结主要从代码角度回顾总结自学成果。
尽量做到每日一次总结。
行文思路
仿照鱼书的风格,先给出计算图,再一步一步根据计算图搭建代码。
使用框架
因为笔者是一名医学生,所以选择现有的框架——pytorch进行代码的实现。
参考书籍
《动手学深度学习2.0》
2024/2/25——线性回归
确定模型:
- 输入数字:多维度数字
- 输出数字:单维度数字
- 映射过程:直接是输入数字的“加权求和”
计算图(输入数字不一定是5个维度):
代码实现
from torch import nn
linear_net = nn.Sequential(nn.linear(5,1)) #不一定是5
应用
首先得到(这里是自造)输入数字(特征)和输出数字(标签):
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
true_w = torch.tensor([2, -3.4, 5.6, 3.2, -0.6])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)
然后构造一个迭代器:
def load_array(data_arrays, batch_size, is_train=True):
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)
接着构造模型:
from torch import nn
linear_net = nn.Sequential(nn.Linear(5,1))
(所以使用现有的框架真方便,一行代码就把计算图里的模型给实现了)
模型骨架搭好了,接着填充一些细节。
首先是参数的初始化:
linear_net[0].weight.data.normal_(0, 0.01)
lineat_net[0].bias.data.fill_(0)
其次是确定损失函数:
loss = nn.MSELoss()
然后确定反向优化的方法:
trainer = torch.optim.SGD(linear_net.parameters(), lr=0.03)
万事俱备,只欠数据:
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(linear_net(X) ,y)
trainer.zero_grad()
l.backward()
trainer.step()
l = loss(linear_net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
结果是:
epoch 1, loss 0.000357
epoch 2, loss 0.000110
epoch 3, loss 0.000111
看看训练后得到的权重和偏倚与真实值相比差了多少:
w = linear_net[0].weight.data
print('w的估计误差:', true_w - w.reshape(true_w.shape))
b = linear_net[0].bias.data
print('b的估计误差:', true_b - b)
结果是:
w的估计误差: tensor([ 5.8055e-05, -7.1454e-04, -2.3937e-04, -1.0014e-04, -3.5894e-04])
b的估计误差: tensor([0.0013])