【动手学习深度学习--逐行代码解析合集】01线性回归的从零开始实现

【动手学习深度学习】逐行代码解析合集

01线性回归的从零开始实现

---

视频链接：B站-动手学习深度学习
课程主页：https://courses.d2l.ai/zh-v2/
教材：https://zh-v2.d2l.ai/

1、 线性回归模型

2、损失函数

3、随机梯度下降

4、线性回归的从零开始实现-代码

以下代码是在PyCharm中运行的

import matplotlib # 注意这个也要import一次
import matplotlib.pyplot as plt
import random
import torch
from d2l import torch as d2l

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

"====================1、生成数据集===================="
def synthetic_data(w, b, num_examples):  #@save
    """生成y=Xw+b+噪声"""
    X = torch.normal(0, 1, (num_examples, len(w)))  # 生成均值为0，方差为1，1000行2列的矩阵X
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)  #噪声矩阵的size需要和y相同
    # reshape(-1,1)代表将二维数组重整为一个一列的二维数组
    # reshape(1,-1)代表将二维数组重整为一个一行的二维数组
    return X, y.reshape((-1, 1))  # reshape(-1,1)中的-1代表无意义

true_w = torch.tensor([2, -3.4])
true_b = 4.2
# 得到的features为【1000，2】,labels为1列
features, labels = synthetic_data(true_w, true_b, 1000)
# print('features:', features[0],'\nlabel:', labels[0])
'''输出结果：features: tensor([-0.3679, -1.8471])
label: tensor([9.7361])'''

# 观察第2个特征与标签之间的线性关系
# d2l.set_figsize()
# d2l.plt.scatter(features[:, 1].detach().numpy(), labels.detach().numpy(), 1)
# plt.show()

"====================2、读取数据集===================="
# data_iter函数：打乱数据集中的样本并以小批量方式获取数据。
def data_iter(batch_size, features, labels):
    num_examples = len(features) #1000
    indices = list(range(num_examples))  # 索引下标从0-999
    # 这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices) # 打乱这些下标
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(
            indices[i: min(i + batch_size, num_examples)])  # 处理当最后一组样本数不够的情况
        # yield作用是控制内存，程序执行到该处时使函数进入暂停状态，直到再次调用时，程序从暂停位置继续执行
        yield features[batch_indices], labels[batch_indices]

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

"====================3、初始化参数与定义函数===================="
"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):  #@save
    """线性回归模型"""
    return torch.matmul(X, w) + b
"定义损失函数"
def squared_loss(y_hat, y):  #@save
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
"定义优化算法"
def sgd(params, lr, batch_size):  #@save
    """小批量随机梯度下降"""
    with torch.no_grad(): # 需要手动清空内存
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_()

"====================4、训练===================="
lr = 0.03  # 学习率
num_epochs = 3  # 训练轮数
net = linreg  # 使用线性回归模型
loss = squared_loss   # 均方损失函数

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()  # 通过损失函数值来更新梯度
        sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数
    with torch.no_grad():
        # 再算一遍loss只是为了输出结果
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')
'''
输出结果：
epoch 1, loss 0.048078
epoch 2, loss 0.000200
epoch 3, loss 0.000052
'''