pytorch——线性回归网络的手动实现

线性回归的基本元素包括：线性模型、损失函数、解析解、随机梯度下降、模型预测。从零开始实现整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器。

生成数据集

生成一个包含1000个样本的数据集，每个样本包含从标准正态分布中抽样的两个特征。

使用线性模型参数$w=[2,-3.4{]}^T$$b=4.2$和噪声项来生成数据集和标签

def synthetic_data(w, b, num_examples):
    X = torch.normal(0, 1, (num_examples, len(w)))  # (生成均值为0，方差为1的随机数)
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)
    return X, y.reshape(-1, 1)

true_w=torch.tensor([2,-3.4])
true_b=4.2
features,labels=data_generator.synthetic_data(true_w,true_b,1000)

features中的每一行包含一个二维数据样本，labels中的每一行包含一个标签值。

print('features: ',features[0],'\nlabel: ',labels[0])

features: tensor([-1.8352, -1.4149])
label: tensor([5.3331])

读取数据集

训练模型时要对数据集进行遍历，每次抽取小批量样本，并更新模型。
定义一个迭代器函数生成小批量函数（接收批量大小、特征矩阵、标签，生成大小为batch_size的小批量，每个批量包含特征和标签）：

1. 统计特征数量
2. 生成索引列表
3. 随机打乱索引顺序（可选）
4. 根据最终的索引列表，生成每个批量的索引列表
5. 根据批量索引列表生成每个批量的特征及标签

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))  # 生成列表
    random.shuffle(indices)  # 打乱顺序
    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]

初始化模型参数

在使用小批量随机梯度下降优化模型参数前，需要先有一些参数，即初始化参数。

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

定义模型

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

因为需要计算损失函数的梯度，所以要先定义损失函数。

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

使用小批量随机梯度下降。该函数接收模型参数集合、学习率、批量大小。这里由于计算的损失是一个批量的总和，所以要除以批量大小来规范步长，使得参数更新与批量大小无关。

def sgd(params,lr,batch_size):
    """小批量随机梯度下降"""
    """不需要向后传递"""
    with torch.no_grad():
        for param in params:
            param-=lr*param.grad/batch_size
            param.grad.zero_()

训练

训练部分：

1. 初始化参数
2. 重复以下训练直到完成：（计算梯度、更新参数）

每轮训练，都要使用迭代器获取小批量数据

lr = 0.03
num_epochs = 3
net = model.linreg
loss = loss.squared_loss

for epoch in range(num_epochs):
    for X,y in data_iter.data_iter(batch_size,features,labels):
        l=loss(net(X,w,b),y)
        l.sum().backward()
        optimizor.sgd([w,b],lr,batch_size)
    with torch.no_grad():
        train_l=loss(net(features,w,b),labels)
        print(f'epoch {epoch+1}, loss {float(train_l.mean()):f}')