Pytorch从零实现线性回归

 本文主要介绍如何利用 Pytorch 中的 Tensor 和 autograd 实现一个线性回归，操作环环境为anaconda中的jupyter notebook。为学习《动手学习深度学习》(pytorch版本)的个人学习笔记，书本链接放于文末。

导入所需要的包文件

%matplotlib inline
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random

生成数据集合

• 构建一个简单的人工训练数据集合。设置训练数据集合的样本数目为1000，输入样本的特征数为2。给定随机生成的批量样本特征 $\mathbf{X}\in {\mathbb{R}}^{1000\times 2}$，我们使用线性回归模型真实权重 $\mathbf{\omega }=[2,-3.4{]}^{\mathsf{T}}$和偏差b = 4.2，以及一个随机噪声$ϵ$，($ϵ$满足均值为0，标准差为0.01的正态分布)来生成标签：
  $$y=\mathbf{X}\mathbf{\omega }+b+ϵ$$

# num_inputs 输入样本的特征数目
# num_examples 样本数目
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)

  其中 features 可以视作1000个含有2个特征的样本横着堆叠之后的结果，每一行是一个长度为2的向量，而 labels 的每一行为长度为1的向（标量）。

• torch.randn(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
  输出形状为 size 的 tensor， tensor 内随机数从一个标准正态分布中抽取
  
  

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

set_figsize()
plt.scatter(features[:, 1].numpy(), labels.numpy(), 1);

 在生成了第二个特征 feature[:, 1] 和标签 labels 的散点图之后可以观察到他们之间的线性关系。

读取数据

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.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch
        yield  features.index_select(0, j), labels.index_select(0, j)

 将1000个样本与标签打乱并且以 batch_size 大小为一份传回（最后一份可能不足batch_size）。

• random.shuffle将序列所有元素随机排序
• index_select(input, dim, index)
  返回输入（input）的指定维度（dim）特定位置（index：类型为 torch.Tensor 类的实例）对应的值

下面举一个例子：

indices = list(range(10))
print('Before shuffle:', indices)
random.shuffle(indices)
print('Affter shuffle:', indices)

'''输出:
Before shuffle: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
Affter shuffle: [5, 2, 6, 7, 9, 8, 4, 0, 3, 1]
'''

 读取打印第一个小批量数据样本，观察批量特征形状为(10, 2)，分别对应批量大小和特征数；标签形状为批量大小。

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

'''输出：
tensor([[-0.6176, -0.4361],
        [-0.5683, -0.4891],
        [-0.0328, -0.2493],
        [-0.6239, -1.0124],
        [-1.4490,  0.5520],
        [ 0.3010, -0.2945],
        [-0.2869, -1.0068],
        [-0.5032,  1.0091],
        [ 0.0602,  0.6995],
        [ 0.1600, -0.3355]]) tensor([ 4.4401,  4.7344,  4.9893,  6.3850, -0.5703,  5.7987,  7.0566, -0.2380,
         1.9460,  5.6579])
'''

初始化模型参数

 将权重初始化为均值为0、标准差为0.01的正态随机数，偏差初始化为0，为了对参数的梯度进行迭代，需要设置其requires_grad = True

w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32)
b = torch.zeros(1, dtype=torch.float32)

w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True) 

定义模型

 实现线性回归的矢量计算表达式。使用mm函数进行矩阵乘法。

def linreg(X, w, b):  
    return torch.mm(X, w) + b

定义损失函数

 使用平方损失函数作为损失函数

def squared_loss(y_hat, y):  # 本函数已保存在d2lzh_pytorch包中方便以后使用
    # 注意这里返回的是向量, 另外, pytorch里的MSELoss并没有除以 2
    return (y_hat - y.view(y_hat.size())) ** 2 / 2

定义优化算法

 采用sgd小批量梯度下降算法，不断迭代模型参数来优化损失函数。在这里param.grad求得的导数是一个批量样本的梯度和。我们将它除以梯度大小来获得平均值。

def sgd(params, lr, batch_size):  # 本函数已保存在d2lzh_pytorch包中方便以后使用
    for param in params:
        param.data -= lr * param.grad / batch_size # 注意这里更改param时用的param.data

训练模型

 在训练中，多次迭代模型参数。每次迭代中，我们根据当前读取的读取的小批量样本（特征X和标签y）获取相应数据并且计算相应的损失函数的值l，对l进行反向传播，得到了对应w和b的梯度，之后对其进行小批量随机梯度下降迭代模型参数

lr = 0.03
num_epochs = 3
net = linreg
loss = squared_loss
for epoch in range(num_epochs):  # 训练模型一共需要num_epochs个迭代周期
    # 在每一个迭代周期中，会使用训练数据集中所有样本一次（假设样本数能够被批量大小整除）。X
    # 和y分别是小批量样本的特征和标签
    for X, y in data_iter(batch_size, features, labels):
        l = loss(net(X, w, b), y).sum()  # l是有关小批量X和y的损失
        l.backward()  # 小批量的损失对模型参数求梯度
        sgd([w, b], lr, batch_size)  # 使用小批量随机梯度下降迭代模型参数
        # 不要忘了梯度清零
        w.grad.data.zero_()
        b.grad.data.zero_()
    train_l = loss(net(features, w, b), labels)
    print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))

'''输出：
epoch 1, loss 0.000052
epoch 2, loss 0.000052
epoch 3, loss 0.000052
'''

 训练完成之后，比较学到的参数和用来生成训练集的参数，较为接近。

print(true_w, '\n', w)
print(true_b, '\n', b)

'''输出：
[2, -3.4] 
 tensor([[ 1.9995],
        [-3.3999]], requires_grad=True)
4.2 
 tensor([4.2000], requires_grad=True)
'''

 原书链接：
动手学深度学习(pytorch版)