深度学习基础
线型回归
线性回归输出是一个连续值,因此使用于回归问题。回归问题在实际中很常见,如预测房屋价格,气温,销售额等连续值的问题。与回归问题不同,分类问题中的模型的最终输出是一个离散值。
图像分类,垃圾邮件识别,疾病检测等输出为离散值的问题都属于分类问题的范畴。
softmax回归则适用于分类问题。
通过深度学习框架来实现线性回归
首先导入需要的包
matplotlib可以用于作图,且设置成嵌入显示
%matplotlib inline
import torch
from TPython import display
from matplotlib import pyplot as plt
import numpy as np
import random
生成数据集
构建一个简单的人工训练数据集,可以直观比较学到的参数和真实模型参数的区别。
设训练数据集样本数为1000,特征数为2.
给定随机生成的批量样本特征 X∈R1000x2
使用线型回归模型真实权重w = [2,-3.4]T 偏差b = 4.2,以及一个随机噪声项ε 来生成label
其中ε服从均值为0,标准差为0.01的正态分布,噪声代表数据集中无意义的干扰。
生成数据集
num_inputs = 2
num_examples = 1000
true_w = [2,-3.4]
true_b = 4.2
features = torch.randn(num_examples,num_inputs,dtype = torch.float32)
labels = true_w[0]*features[:,0] + true_w[1]*features[:,1] + true_b
labels += torch.tensor(np.random.normal(0,0.01,size = labels.size()),dtype = torch.float32)
重点:features的每一行是长度为2的向量,而labels的每一行是一个长度为1的向量。
print(features[0],labels[0])
输出:
tensor([1.5935, 0.4528]) tensor(5.8407)
通过生成第二个特征features[:,1]和标签labels的散点图,可以更直观地观察两者间的线性关系。
def use_svg_display():
#用矢量图显示
display.set_matplotlib_formats('svg)
def set_figsize(figsize = (3.5,2.5)):
use_svg_display()
#设置图的尺寸
plt.rcParams['figure.figsize'] = figsize
"""
在.../d2lzh_pytorch里面添加上面两个函数后就可以这样导入
import sys
sys.path.append("...")
from d2lzh_pytorch import *
"""
set_figsize()
plt.scatter(features[:,1].numpy(),labels.numpy(),1);
输出
将plt作图函数以及use_svg_display函数和set_figsize函数定义在d2lzh_pytorch包里。以后作图时,可以直接调用d2lzh_pytorch.plt。
由于plt在d2lzh_pytorch包中是一个全局变量,在作图前只需要调用d2lzh_pytorch.set_figsize()即可打印矢量图并设置图的尺寸。
读取数据
在训练模型时,需要遍历数据集并不断读取小批量数据样本。这里定义一个函数:每次返回batch_size(批量大小)个随机样本的特征和标签。
def data_iter(batch_size,features,labels):
num_examples = len(features)
indices = list(range(num_examples))
random.shuffle(indices)
#样本的读取顺序是随机的
for i in range (0, num_examples, batch_size)
j = torch.LonfTensor(indices[i:min(i + batch_size, num_examples)])
#最后一个batch可能不满
yield features.index_select(0,j),lables.index_select(0,j)
读取第一组小批量数据样本并打印。
每个批量shape为[10,2],10是batch_size,2是特征数量,labels长度为批量大小
batch_size = 10
for X,y in data_iter(batch_size, features, labels):
print(X,y)
break
输出
tensor([[-0.3721, 0.5830],
[-0.3185, 1.1796],
[ 0.3873, -0.1933],
[-0.8960, -0.0529],
[ 0.2648, 0.2811],
[-1.2700, 0.2642],
[-0.6704, 0.8477],
[-0.2985, -0.2650],
[-1.2221, 0.7288],
[-0.3066, -2.0512]])
tensor([ 1.4812, -0.4534, 5.6262, 2.5825, 3.7621, 0.7766, -0.0216, 4.5068,
-0.7031, 10.5540])
初始化模型参数
将权重初始化成均值为0,标准差为0.01的正态随机数,偏差则初始化成0
w = torch.tensor(np.random.normal(0,0.01,(num_inputs,1)),dtype = torch.float32)
b = torch.zeros(1,dtype = torch.float32)
之后的模型训练中,需要对这些参数求梯度来迭代参数的值,因为要让它们的requires_grad = True。
w.requires_grad_(requires_grad = True)
b.requires_grad_(requires_grad = True)