线性回归
线性回归较为简单,只是一层线性层即可完成计算
生成数据集
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)
读取数据集
我们可以[调用框架中现有的API来读取数据]。
我们将features和labels作为API的参数传递,并通过数据迭代器指定batch_size。
此外,布尔值is_train表示是否希望数据迭代器对象在每个迭代周期内打乱数据。
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)
next(iter(data_iter))
[tensor([[ 0.7905, -0.6417],
[ 0.0951, 0.4038],
[ 1.0308, 1.2360],
[ 0.1649, 1.3648],
[-0.6181, 0.0852],
[ 1.3205, -1.1111],
[ 0.2323, -1.1002],
[-0.4975, 0.3083],
[-1.6316, 1.1128],
[ 0.9905, -0.7726]]),
tensor([[ 7.9710],
[ 3.0255],
[ 2.0626],
[-0.1059],
[ 2.6642],
[10.6119],
[ 8.3992],
[ 2.1601],
[-2.8436],
[ 8.8062]])]
定义模型
对于标准深度学习模型,可以[使用框架的预定义好的层]。这使我们只需关注使用哪些层来构造模型,而不必关注层的实现细节。我们首先定义一个模型变量net,它是一个Sequential类的实例。Sequential类将多个层串联在一起。给定输入数据时,Sequential实例将数据传入到第一层,然后将第一层的输出作为第二层的输入,以此类推。单层被称为全连接层(fully-connected layer),
在PyTorch中,全连接层在Linear类中定义。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。
# nn是神经网络的缩写
from torch import nn
net = nn.Sequential(nn.Linear(2, 1))
(初始化模型参数)
在使用net之前,需要初始化模型参数。深度学习框架通常有预定义的方法来初始化参数。指定每个权重参数应该从均值为0、标准差为0.01的正态分布中随机采样,偏置参数将初始化为零。直接访问参数以设定它们的初始值。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。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)
tensor([0.])
定义损失函数
[计算均方误差使用的是MSELoss类,也称为平方L2范数]。
默认情况下,它返回所有样本损失的平均值。
loss = nn.MSELoss()
定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
训练
对于每一个小批量,我们会进行以下步骤:
通过调用net(X)生成预测并计算损失l(前向传播)。
通过进行反向传播来计算梯度。
通过调用优化器来更新模型参数。
为了更好的衡量训练效果,我们计算每个迭代周期后的损失,并打印它来监控训练过程。
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
#计算损失
l = loss(net(X) ,y)
#清楚梯度
trainer.zero_grad()
#计算梯度
l.backward()
#反向传播参数
trainer.step()
#计算
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
epoch 1, loss 0.000183
epoch 2, loss 0.000101
epoch 3, loss 0.000101
[比较生成数据集的真实参数和通过有限数据训练获得的模型参数]。
w = net[0].weight.data
print('w的估计误差:', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差:', true_b - b)
w的估计误差: tensor([-0.0003, -0.0002])
b的估计误差: tensor([8.1062e-06])
小结
我们可以使用PyTorch的高级API更简洁地实现模型。
在PyTorch中,data模块提供了数据处理工具,nn模块定义了大量的神经网络层和常见损失函数。
我们可以通过_结尾的方法将参数替换,从而初始化参数。
softmax回归
深度学习框架的高级API能方便地实现softmax回归模型。
import torch
from torch import nn
from d2l import torch as d2l
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
初始化模型参数
[softmax回归的输出层是一个全连接层]。我们只需在Sequential中添加一个带有10个输出的全连接层。
# PyTorch不会隐式地调整输入的形状。因此,
# 我们在线性层前定义了展平层(flatten),来调整网络输入的形状
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))
def init_weights(m):
if type(m) == nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights);
损失函数
[在交叉熵损失函数中传递未规范化的预测,并同时计算softmax及其对数],
loss = nn.CrossEntropyLoss(reduction='none')
优化算法
(使用学习率为0.1的小批量随机梯度下降作为优化算法)。
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
训练
(定义的训练函数来训练模型)。
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
小结
使用深度学习框架的高级API,我们可以更简洁地实现softmax回归。
从计算的角度来看,实现softmax回归比较复杂。在许多情况下,深度学习框架在这些著名的技巧之外采取了额外的预防措施,来确保数值的稳定性。