《pytorch深度学习简明实战》第2章机器学习基础与线性回归学习笔记

最新推荐文章于 2024-11-07 00:52:38 发布

Ivy_Hu677

最新推荐文章于 2024-11-07 00:52:38 发布

阅读量287

点赞数 1

分类专栏： pytorch 文章标签：深度学习机器学习 pytorch

本文链接：https://blog.csdn.net/Ivy_Hu677/article/details/131378153

版权

pytorch 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

机器学习基础

问题导入：什么是机器学习？

机器学习就是指计算机从数据中学习到规律，从而做出预测

举个例子：计算机视觉中常见的任务——对猫狗图片进行分类，我们很难编写算法直接对图片进行预测来判断它是猫还是狗。于是人们想到了数据驱动的方法，让计算机从大量带标签的图片中学习规律，计算机学习到其中的规律后，我们输入一张新的图片给计算机时，它就可以准确地预测这张图片显示的是猫还是狗。

机器学习两个关键因素

大量可学习的数据，如带标签的图片
学习的主体，一般称为模型

如何理解模型？

可以把模型看作是一个映射函数，它包含一些参数，这些参数可以与输入计算得到一个输出，我们一般称为预测结果
所谓模型学习的过程，就是模型修正其参数，改善其映射关系的过程

以预测图片是猫还是狗为例，步骤如下：

（1）创建模型
（2）输入一张带标签的图片
（3）使用此模型对次图片做出预测
（4）将预测结果与实际标签比较，产生的差距一般称为损失
（5）以减小损失为优化目标，根据损失优化模型参数
（6）循环重复（2）-（5）步

线性回归

根据受教育年限和平均收入之间对应关系的数据集，当给定一个人的受教育年限时，这个模型能预测其收入
代码思路如下：

导包

import torch
import pandas as pd
import matplotlib.pyplot as plt

读取并观察数据集

data = pd.read_csv("./datasets/Income1.csv")
print(data.head(3))                             # 打印前三行
print(data.info())                              # 查看数据基本数据情况

在这里插入图片描述

# 分析数据集组成/数据集可视化
plt.scatter(data.Education,data.Income)
plt.xlabel('Education')
plt.ylabel('Income')
plt.show()

在这里插入图片描述

数据预处理

# 数据预处理
X = torch.from_numpy(data.Education.to_numpy().reshape(-1,1)).type(torch.FloatTensor)
Y = torch.from_numpy(data.Income.to_numpy().reshape(-1,1)).type(torch.FloatTensor)
print(X.size(),Y.size())

在这里插入图片描述

创建模型

# 定义模型
from torch import nn

class EIModel(nn.Module):
    def __init__(self):
        super(EIModel,self).__init__()                              # 继承父类的属性
        self.Linear = nn.Linear(in_features = 1, out_features = 1)  # 创建线性层  Linear L需要大写

    def forward(self,inputs):
        logits = self.Linear(inputs)
        return logits

# 模型初始化
model = EIModel()
loss_fn = nn.MSELoss()                                # 均方差误差损失函数
opt = torch.optim.SGD(model.parameters(),lr = 0.0001) # 初始化优化器

模型训练

# 模型训练
for epoch in range(5000):                                 # 对全部数据训练5000次
    for x,y in zip(X,Y):                                  # 同时对X和Y迭代
        y_pred = model(x)                                 # 调用model得到预测输出y_pred
        loss =loss_fn(y_pred,y)                           # 根据模型预测输出与实际的值y计算损失
        opt.zero_grad()                                   # 将累计的梯度置为0
        loss.backward()                                   # 反向传播损失，计算损失与模型参数之间的梯度
        opt.step()
print('Down!')

判断模型的性能

print(list(model.named_parameters()))

在这里插入图片描述 这里模型有两个参数，分别是权重和偏置，y=wx+b中的w和b*

# 绘制原数据分布散点图
plt.scatter(data.Education,data.Income,label='real data')
# 绘制预测的直线
plt.plot(X,model(X).detach().numpy(),c='r',label = 'predicted line')
plt.xlabel('Education')
plt.ylabel('Income')
plt.legend()                        # 自动添加默认样式的图片
plt.show()