1. 生成数据集
我们构造一个简单的人工训练数据集,训练的赝本数为1000, 特征数为2, 我们使用线性回归模型真是权重和偏差b = 4.2以及一个随机噪声来生成标签。
其中噪声服从均值为0,标准差为0.01的正态分布。噪声代表了数据集中无意义IDE干扰。
下面我们生成数据集,其中,features是训练数据特征,labels是标签。
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)
2. 读取数据
Pytorch提供data包来读取数据,由于data常用来做变量,我们将导入的data模块用Data代替,在每次迭代中,我们随机读取包含10个样本的小批量。
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)
# 随机读取⼩小批量量
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
3. 定义模型
首先导入torch.nn模块,实际上,“nn”是neural networks(神经网络)的缩写。该模块定义了大量神经网络的层,nn的核心结构是Module,它是一个抽象概念,既可以表示神经网络的某个层,也可以表示包含多层的神经网络。在实际应用中,往往集成nn.Module,撰写自己的网络/层。
下面先看看如何用nn.Module实现一个线性回归模型。
import torch.nn
class LinearNet(nn.Module):
def __init__(self, n_feature):
super(LinearNet, self).__init__()
self.linear = nn.Linear(n_feature, 1)
# 定义向前传播
def forward(self, x):
y = self.linear(x)
return y
net = LinearNet(num_inpouts)
print(net) # 使⽤用print可以打印出⽹网络的结构
输出:
LinearNet((linear): Linear(in_features=2, out_features=1, bias=True))
此外,我们还可以用nn.Sequential来更加方便的搭建网络,Sequential是一个有序容器,网络层按照在传入Sequential的序列一次被添加到计算图中。
# 写法⼀一
net = nn.Sequential(
nn.Linear(num_inputs, 1)
# 此处还可以传⼊入其他层
)
# 写法⼆二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......
# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
('linear', nn.Linear(num_inputs, 1))
# ......
]))
print(net)
print(net[0])
输出:
Sequential((linear): Linear(in_features=2, out_features=1, bias=True))
Linear(in_features=2, out_features=1, bias=True)
可以通过net.parameters()来查看模型所有的可学习参数,此函数返回一个生成器。
for param in net.paremeters():
print(param)
输出:
Parameter containing:
tensor([[-0.0277, 0.2771]], requires_grad=True)
Parameter containing:
tensor([0.3395], requires_grad=True)
【注意:线性回归层又叫做全连接层】
4. 初始化模型参数
在使用模型之前,需要对模型参数做初始化操作,如线性回归中的权重和偏差。Pytorch在init模块中提供了多种参数初始化的方法。
我们通过init.normal_将权重参数每个元素初始化为随机采样于均值为0,标准差为0.01的正态分布,偏差初始化为0.
form torch.nn import init
init.normal_(net[0].weight, mean=0, std=0.01)
init.constant_(net[0].bias, val=0)
5. 定义损失函数
Pytorch在nn模块中定义了各种损失函数,这些损失函数可以看做一种特殊的层,Pytorch也将这些损失函数实现为nn.Module的子类。
我们现在使用它提供的均方差损失函数。
loss = nn.EMSLoss()
6. 定义优化器
6.1 优化器常用方法
torch.optim模块提供了很多常用的优化算法,比如SGD, Adam, RMSProp等。
我么采用学习率为0.03的小批量随机梯度下降(SGD)为优化器
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03)
print(optimizer)
输出:
SGD (
Parameter Group 0
dampening: 0
lr: 0.03
momentum: 0
nesterov: False
weight_decay: 0
)
6.2 我们可以为不同网络设置不同的学习率,比如:
optimizer = optim.SGD([
{'params', net.subnet1.parameters()},
{'params', net.subnet2.parameters(), 'lr': 0.01}
], lr = 0.03)
6.2 改变学习率
改变学习率的方法有两种,一种是修改optimizer.param_groups中对应的学习率;一种是更为推荐的做法---新建优化器,由于optimizer十分轻量级,重新构建开销很小。【注意:但是第二种方法对于使用动量的优化器,如Adam,会丢失动量等状态信息,可能会造成损失函数的收敛出现震荡】
# 调整学习率
for param_group in optimizer.param_groups:
param_group['lr'] *= 0.1 # 学习率为之前的0.1倍
7. 模型训练
我们通过调用optim实例的step函数来迭代模型参数。
num_epochs = 3
for epoch int range(1, num_opechs+1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
optimizer.zero_grad() # 梯度清零
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
输出:
epoch 1, loss: 0.000457
epoch 2, loss: 0.000081
epoch 3, loss: 0.000198
下⾯面我们分别⽐比较学到的模型参数和真实的模型参数。我们从 net 获得需要的层,并访问其权重( weight )和偏差( bias )。学到的参数和真实的参数很接近
dense = net[0]
print(true_w, dense.weight)
print(true_b, dense.bias)
输出:
[2, -3.4] tensor([[ 1.9999, -3.4005]])
4.2 tensor([4.2011])