线性回归简化模型
-
输入、权重、偏差、输出
给定n维输入: x=[x1, x2,…,xn]^T
线性模型有一个n维权重和一个标量偏差: w=[w1, w2, …,wn]^T, b
输出是输入的加权和: y=w1x1+w2x2+…+wnxn+b
向量版: y=<w,x>+b -
平方损失:比较真实值和预估值
假设y是真实值,y^是估计值
l(y,y)=0.5*(y-y)^2
- 训练数据:收集一些数据点来决定参数值(权重和偏差,过去的值)
训练数据通常越多越好,假设有n个样本
X=[x1, x2, …,xn]^T
Y=[y1, y2, …,yn]^T
- 训练损失
l(X,y,w,b)=1/2n * ||y-Xw-b||^2
- 最小化损失来学习参数:找到w和b使得损失最小
w*,b*= {argmin(w,b) l(X,y,w,b)}
- 最优解
w*=(XTX)(-1) * X^T * y
- 总结:
线性回归是n维输入的加权,外加偏差。
使用平方损失来衡量预测值和真实值的差异。
线性回归有显示解。
线性回归可以看作是单层神经网络。
基础优化方法
- 梯度下降
挑选一个随机的初始值w0
不断更新w0,使之接近最优值
沿着梯度方向将增加损失函数值(梯度,上升最快的方向,负梯度:下降最快的方向)
学习率:步长的超参数,不能太小也不能太大
- 小批量随机梯度下降
在整个训练集上算梯度太贵:一个深度神经网络模型可能需要数分钟甚至数小时
我们可以随机采样b个样本i1, i2,…,ib来近似损失
b是批量大小,另一个重要的超参数:不能太大,也不能太小
总结:
梯度下降通过不断沿着反梯度方向更新参数求解
小批量随机梯度下降是深度学习默认的求解算法
两个重要的超参数是批量大小和学习率
线性回归从零实现
从零实现整个方法:数据流水线、模型、损失函数、小批量随机梯度下降优化器
# matplotlib inline # plot.show可以在pycharm里面显示图形
import random
import torch
from d2l import torch as d2l
根据带有噪音的线性模型,构造一个人造数据集。我们使用线性模型参数y=Xw+b+c,w=[2,-3.4]^T、b=4.2和噪声项c
def synthetic_data(w, b, num_examples):
'''生成y=Xw+b+噪声 '''
X = torch.normal(0,1,(num_examples,len(w))) # 均值为0,标准差1的随机数,n个样本,大小是w的长度
# X是个矩阵,行数表示多少个样本,;列数表示feature
# normal是高斯分布
y = torch.matmul(X,w)+b # matmul: 矩阵乘法
y+= torch.normal(0,0.01,y.shape) # 此处是+随机噪声,形状和y一样
return X,y.reshape((-1,1)) # X和y做成列向量返回(1列)
true_w = torch.tensor([2, -3.4]) # 真实的w
true_b = 4.2 # 真实的b
features, labels=synthetic_data(true_w,true_b,1000) # 函数synthetic_data生成特征和标号
补充:
reshape(1,-1)转化成1行;reshape(2,-1)转换成两行;
reshape(-1,1)转换成1列;reshape(-1,2)转化成两列
reshape(2,8)转化成两行八列
print('features: ', features[0], '\nlabels: ',labels[0]) # 第0个
# 为什么features有两个?
# 因为w=[2,-3.4]^T,X是一个 n*2 的矩阵,y是一个列表,后面转化为一个列向量
features: tensor([ 0.1912, -0.3895])
labels: tensor([5.8964])
d2l.set_figsize() # 画图
d2l.plt.scatter(features[:,1].detach().numpy(),
labels.detach().numpy(),1); # 特征的第一列,detach()分离出数值,不再含有梯度
# 最后的1表示散点面积
![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/20230724024159.png?origin_url=output_19_0.svg&p
定义一个data_iter函数,函数接收批量大小、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): # batch_size:批量大小、特征、标号
num_examples=len(features) # 样本数量
indices=list(range(num_examples)) # 生成样本的indices,从0->n-1,转成python的list
# 这些样本是随机读取,没有特定顺序
random.shuffle(indices) # 将下标随机打乱,因为可以用随机数访问样本
for i in range(0,num_examples,batch_size): # 从0开始,到n-1个样本,步长batch_size
batch_indices=torch.tensor(
indices[i:min(i+batch_size, num_examples)]) # min是因为i+batch_size可能会索引样本总量
yield features[batch_indices], labels[batch_indices] # yield循环每次返回一个features[]和labels[]
batch_size=10
for X, y in data_iter(batch_size,features,labels):
print(X, '\n',y)
break
tensor([[-1.6475, 1.8882],
[ 0.4207, 0.4279],
[-1.0449, 0.2339],
[-1.0493, 1.0297],
[ 1.7010, 0.1680],
[-0.0903, 0.0558],
[-0.6283, -1.9998],
[ 0.9666, -1.2313],
[-0.3562, 0.2566],
[ 0.7690, -0.4405]])
tensor([[-5.4932],
[ 3.5779],
[ 1.3211],
[-1.3796],
[ 7.0509],
[ 3.8366],
[ 9.7523],
[10.3106],
[ 2.6285],
[ 7.2362]])
定义初始化模型参数
w=torch.normal(0,0.01,size=(2,1),requires_grad=True) # 正态分布,计算需记录
b=torch.zeros(1,requires_grad=True) #偏差
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):
'''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):
'''小批量随机梯度下降'''
with torch.no_grad():
for param in params:
param-=lr*param.grad/batch_size # param.grad是梯度
param.grad.zero_() # 手动把梯度设置0,下一次计算不会和上一个梯度相关
训练过程
# 指定超参数
lr=0.03 # 学习率
num_epochs=3 # 整个数据扫3遍
net=linreg # 模型:线性回归
loss=squared_loss # 均方损失
for epoch in range(num_epochs): # 每次数据扫1遍
for X,y in data_iter(batch_size,features,labels): # 拿出批量大小的X和y
l=loss(net(X,w,b),y) # X和y都是小批量损失,net(X,w,b)得到的是预测值Y,将Y和y进行比较得到损失l
# 因为l形状是(batch_size,1),而不是一个标量,l中的元素都被加到
l.sum().backward() # # 并以此计算关于[w,b]的梯度
sgd([w,b],lr,batch_size) # 使用参数的梯度更新
with torch.no_grad():
train_l=loss(net(features,w,b),labels)
print(f'epoch {epoch+1},loss {float(train_l.mean()):f}')
# 出现loss nan:学习率太大了,超出范围
epoch 1,loss 0.047039
epoch 2,loss 0.000207
epoch 3,loss 0.000055
比较真实参数和通过训练学到的参数来评估训练的成功程度
print(f'w的估计误差: {true_w-w.reshape(true_w.shape)}')
print(f'b的估计误差:{true_b-b}')
w的估计误差: tensor([-0.0002, -0.0007], grad_fn=<SubBackward0>)
b的估计误差:tensor([0.0005], grad_fn=<RsubBackward1>)
线性回归的简洁实现
通过深度学习框架来简洁实现线性回归模型,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)
def load_array(data_arrays,batch_size,is_train=True):
# is_train=True时,表示系统处于训练状态,可以进行模型的训练和参数的更新。
# is_train=False时,表示系统处于推理或者测试状态,不再进行模型的训练,而是使用已经训练好的模型进行推理或者测试。
'''构造一个python数据迭代器'''
dataset=data.TensorDataset(*data_arrays) # 得到pytorch的dataset
return data.DataLoader(dataset,batch_size,shuffle=is_train) # DataLoader可以每次从中随机抽取batch_size个样本
# shuffle: 是不是要随机打乱顺序?通过打乱数据的顺序,可以减少模型对数据的记忆和依赖,提高模型的泛化能力。
batch_size=10
# batchsize:批量大小。在深度学习中,一般采用SGD训练,即每次训练在训练集中取batchsize个样本训练;
# iteration:1个iteration等于使用batchsize个样本训练一次;
# epoch:1个epoch等于使用训练集中的全部样本训练一次。
data_iter=load_array((features,labels),batch_size) # 1.先有了features和labels,传到TensorDataset
next(iter(data_iter)) # iter() 是一个内置函数,用于获取一个可迭代对象的迭代器。
# next() 是一个内置函数,用于获取迭代器的下一个元素。迭代器是一种可以逐个访问元素的对象。
[tensor([[ 0.3695, 0.8742],
[-0.8576, 0.8135],
[-0.2910, -0.6900],
[-2.5741, -0.9491],
[-0.9522, 0.7102],
[ 0.9828, 0.0169],
[-1.3844, 1.3968],
[ 0.0194, 0.5305],
[ 0.9125, -1.8712],
[-0.3130, 0.6654]]),
tensor([[ 1.9491],
[-0.2733],
[ 5.9796],
[ 2.2876],
[-0.1144],
[ 6.1107],
[-3.2957],
[ 2.4370],
[12.3972],
[ 1.2990]])]
使用框架的预定好的层
from torch import nn # nn是神经网络的缩写
net=nn.Sequential(nn.Linear(2,1)) # Sequential: list of layers, 按顺序放好的层
初始化模型参数:初始化权重和偏差
net[0].weight.data.normal_(0,0.01) # weight:w, data:真实data, normal_:使用正态分布替换data的值
net[0].bias.data.fill_(0) # 偏差设置成0
tensor([0.])
计算均方误差使用MSELoss,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) # 传入2个参数:w和b(net.parameters),学习率lr
训练过程(和从零实现很相似)
num_epochs=3 # 3个周期
for epoch in range(num_epochs):
for X, y in data_iter:
l=loss(net(X),y) # net本身带了模型参数w和b,所以不需要再写
trainer.zero_grad() # 优化器把梯度清零
l.backward() # 求梯度
trainer.step() # 模型更新
l=loss(net(features),labels)
print(f'epoch{epoch+1}, loss {l:f}') # loss是从L到f,不是1到f
epoch1, loss 0.000104
epoch2, loss 0.000103
epoch3, loss 0.000104