深度学习笔记 —— 线性回归 + 基础优化算法

import random
import torch
from d2l import torch as d2l


# 根据带有噪声的线性模型构造一个人造数据集
def synthetic_data(w, b, num_examples):
    """生成 y = Wx + b + 噪声"""
    X = torch.normal(0, 1, (num_examples, len(w)))  # 均值为0，标准差为1
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)  # 加入随机噪音
    return X, y.reshape((-1, 1))


true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
print('features:', features[0], '\nlabel:', labels[0])
# 绘制表格
d2l.set_figsize()
d2l.plt.scatter(features[:, 1].detach().numpy(), labels.detach().numpy(), 1)
d2l.plt.show()


# 定义一个data_iter函数，该函数接受批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量
def data_iter(batch_size, features, labels):
    num_examples = len(features)  # 样本数量
    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)
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])
        yield features[batch_indices], labels[batch_indices]  # 返回batch_indices对应的特征和标签


batch_size = 10
for X, y in data_iter(batch_size, features, labels):
    print(X, '\n', y)
    break

# 定义初始化模型参数
w = torch.normal(0, 0.01, size=(2, 1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)


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


# 定义损失函数
def squared_loss(y_hat, y):  # y_hat为预测值，y为真实值
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2  # 次数未做均值


# 定义优化算法
def sgd(params, lr, batch_size):
    """小批量随机梯度下降"""
    with torch.no_grad():  # 更新的时候不参与梯度计算
        for param in params:
            param -= lr * param.grad / batch_size  # 之前的损失函数没有求均值，所以此处除以batch_size
            param.grad.zero_()  # 梯度设置为0，使得下一次计算时与上次计算无关


# 训练过程
lr = 0.03  # learning rate
num_epochs = 3
net = linreg
loss = squared_loss

for epoch in range(num_epochs):
    for X, y in data_iter(batch_size, features, labels):
        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()
        sgd([w, b], lr, batch_size)  # 使用参数的梯度更新
    with torch.no_grad():  # 评价时不需要计算梯度z
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')


# with torch.no_grad()对于require_grad设置为True的tensor计算操作，是构建计算图的（计算过程的构建，以便梯度反向传播等操作）
# 但并非所有的操作都需要计算图的生成，使用该语句可以强制之后的内容不构建计算图
# 即使得所有tensor的require_grad自动设置为False
# with工作原理：
# 紧跟with后面的语句被求值后，返回对象的“–enter–()”方法被调用，这个方法的返回值将被赋值给as后面的变量
# 当with后面的代码块全部被执行完之后，将调用前面返回对象的“–exit–()”方法

features: tensor([ 1.5298, -0.0633]) 
label: tensor([7.4758])
tensor([[-0.4639,  0.7517],
        [-0.9761, -0.9253],
        [ 0.0324, -0.4125],
        [-0.1293, -0.1273],
        [ 1.2964,  0.1398],
        [-0.1523,  0.2854],
        [ 0.3366, -0.5548],
        [ 0.5532, -0.7408],
        [ 1.5298,  0.5990],
        [-0.1460,  1.1620]]) 
 tensor([[ 0.7178],
        [ 5.3872],
        [ 5.6876],
        [ 4.3913],
        [ 6.3321],
        [ 2.9196],
        [ 6.7500],
        [ 7.8243],
        [ 5.2248],
        [-0.0137]])
epoch 1, loss 0.031538
epoch 2, loss 0.000113
epoch 3, loss 0.000052

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l

# 线性回归的简洁实现

# 通过使用深度学习框架来简洁地实现线性回归模型，生成数据集
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)


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)  # dataset拿到数据集
    return data.DataLoader(dataset, batch_size, shuffle=is_train)  # DataLoader从中挑选样本出来


batch_size = 10
data_iter = load_array((features, labels), batch_size)
print(next(iter(data_iter)))  # 通过next得到X和y


# 使用框架的预定义好的层
# nn是神经网络的缩写
from torch import nn
net = nn.Sequential(nn.Linear(2, 1))  # 2，1分别指的是输入维度和输出维度；Sequential是一个list of layers，是一个容器


# 初始化模型参数
net[0].weight.data.normal_(0, 0.01)  # 使用正态分布来替换掉data的值
net[0].bias.data.fill_(0)
# 计算局方误差使用的是MSELoss类，也称为平方范数
loss = nn.MSELoss()
# 实例化SGD实例
trainer = torch.optim.SGD(net.parameters(), lr=0.03)  # SGD在名为optimizer的module里面；net.parameters()包括了w和b


# 训练过程
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X), y)
        trainer.zero_grad()  # 先把梯度清零，否则会在之前的梯度上做累加
        l.backward()
        trainer.step()  # step进行模型的更新，即分别更新权重和偏差
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

[tensor([[-0.3531, -0.2199],
        [-0.8259, -0.6773],
        [ 0.0967,  0.0304],
        [-0.4814, -0.9995],
        [-1.5095,  0.3725],
        [-1.4702,  1.9153],
        [ 1.4900,  0.3487],
        [-0.1075, -1.8635],
        [ 0.7835, -0.3447],
        [-1.6065,  0.1877]]), tensor([[ 4.2669],
        [ 4.8659],
        [ 4.2777],
        [ 6.6346],
        [-0.0717],
        [-5.2570],
        [ 5.9959],
        [10.3357],
        [ 6.9295],
        [ 0.3451]])]
epoch 1, loss 0.000195
epoch 2, loss 0.000097
epoch 3, loss 0.000097