动手学深度学习-2021.11.09

动手学深度学习-2021.11.09

线性回归从零开始实现

• pytorch ，环境还没弄，先学着原理
• 李沐学AI
• 每天一个模块

代码块学习

• 导入相关模块

%matplotlib inline   //绘图函数
import random       
import torch
from d2l import torch as d2l   //d2l是一个包

• 生成数据集
  – X是输入，给定的N维输入
  – Y是输入的加权和 Y=X1w1+X2w2+…+Xnwn+b+e

def synthetic_data(w, b, num_examples):  
    """生成 y = Xw + b + 噪声。"""
    X = torch.normal(0, 1, (num_examples, len(w)))
    // torch.normal(A, B ,size(C, D), requires_grad=True) A表示均值，B表示标准差，C表示生成的数据行数，D表示列数，requires_grad=True表示对导数开始记录，可以忽略
    y = torch.matmul(X, w) + b
    //torch.matmul表示乘法，x和权值w向乘
    y += torch.normal(0, 0.01, y.shape)
    //随即噪音的值
    return X, y.reshape((-1, 1))

true_w = torch.tensor([2, -3.4])
//torch.tensor用于生成新的张量
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
//真实值

• 读取数据集
  – 训练模型需要对数据集进行遍历，定义一个函数打乱数据集中的样本并以小批量方式获取数据
  –使用合理大小的小批量来利用GPU硬件的优势，GPU在并行处理方面表现出色。每个样本都可以并行地进行模型计算，且每一个样本损失函数的梯度也可以被并行计算

def data_iter(batch_size, features, labels):
    //批量大小  特征矩阵 标签向量
    num_examples = len(features)  //样本数
    indices = list(range(num_examples))
   // # 这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices)
    //shuffle() 方法将序列的所有元素随机排序
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(
            indices[i: min(i + batch_size, num_examples)])   //从i开始，间隔为batch_size
        yield features[batch_indices], labels[batch_indices]

• 初始化模型参数
  –初始化参数后，更新这些参数，直到这些参数足够拟合我们的数据；每次更新都需要计算损失函数关于模型参数的梯度，有了梯度就可以向减小损失的方向更新参数

w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
//全为0的张量

• 定义模型
  – 将模型的输入和参数同模型的输出关联起来

def linreg(X, w, b):  
    """线性回归模型。"""
    return torch.matmul(X, w) + b

• 定义损失函数
  – 更新模型，需要计算损失函数的梯度（平方损失函数）

def squared_loss(y_hat, y): 
    """均方损失。"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

• 定义优化算法
  – 下面的函数实现小批量梯度下降更新，接受模型参数集合，学习速率lr，批量大小作为输入，每一步的更新由学习速率决定
  – 使用批量大小来归一化步长，这样步长大小就不会取决于我们对批量大小的选择。

def sgd(params, lr, batch_size):  
    """小批量随机梯度下降。"""
    with torch.no_grad():  //更新的时候不需要计算梯度 
    // with是python中上下文管理器，被with包起来的代码部分不会track梯度
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_()
            //梯度设为0

• 训练
  – 迭代周期epoch，使用data_iter函数遍历整个数据集

lr = 0.03  //超参数  学习率不能太大 或太小
num_epochs = 3    //数据扫3遍
net = linreg
loss = squared_loss

for epoch in range(num_epochs):   //数据n遍
    for X, y in data_iter(batch_size, features, labels):  //每次拿出一个批量大小的x y
        l = loss(net(X, w, b), y)  //# `X`和`y`的小批量损失
       // # 因为`l`形状是(`batch_size`, 1)，而不是一个标量。`l`中的所有元素被加到一起，
      //  # 并以此计算关于[`w`, `b`]的梯度
        l.sum().backward()
        //自动求导函数backward()
        sgd([w, b], lr, batch_size)  //# 使用参数的梯度更新参数
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

线性回归简洁实现

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。

• 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

def load_array(data_arrays, batch_size, is_train=True):  
    //"""构造一个PyTorch数据迭代器。"""
    dataset = data.TensorDataset(*data_arrays)
    //TensorDataset可以用来对tensor进行打包，like zip功能
    return data.DataLoader(dataset, batch_size, shuffle=is_train)
    //DataLoader 用来包装所使用的数据，每次抛出一批数据
batch_size = 10
data_iter = load_array((features, labels), batch_size)

• 定义模型
  – 单层网络架构，这一单层被称为全连接层，因为它的每一个输入都通过矩阵向量乘法连接到它的每一个输出
  – 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))
//torch.nn.Sequential 类是 torch.nn 中的一种序列容器，通过在容器中嵌套各种实现神经网络中具体功能相关的类，来完成对神经网络模型的搭建，最主要的是，参数会按照我们定义好的序列自动传递下去。

• 初始化模型参数
  – 正如我们在构造nn.Linear时指定输入和输出尺寸一样。现在我们直接访问参数以设定初始值。我们通过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。然后使用替换方法normal_和fill_来重写参数值。

net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

• 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
  –小批量随机梯度下降算法是一种优化神经网络的标准工具，PyTorch在optim模块中实现了该算法的许多变种。当我们实例化SGD实例时，我们要指定优化的参数（可通过net.parameters()从我们的模型中获得）以及优化算法所需的超参数字典。小批量随机梯度下降只需要设置lr值，这里设置为0.03。

trainer = torch.optim.SGD(net.parameters(), lr=0.03)
//第一个参数包括权重w和偏差b等 第二个参数是学习率 

• 训练
  – 通过深度学习框架的高级API来实现我们的模型只需要相对较少的代码。 我们不必单独分配参数、不必定义我们的损失函数，也不必手动实现小批量随机梯度下降。 当我们需要更复杂的模型时，高级API的优势将大大增加。 当我们有了所有的基本组件，训练过程代码与我们从零开始实现时所做的非常相似

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X) ,y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

• 不是很理解，期待随着后面的学习回过头来看能更透彻一点。
• make progress everyday！