跟着李沐学AI【08 线性回归+基础优化算法】
本小节主要介绍了线性回归以及梯度算法。
线性回归: 对n维输入的加权和加偏差,使用平方损失来衡量预测值与真实值之间的差异。
梯度算法: 沿着反梯度方向不断迭代更新参数,而小批量随机梯度下降是深度学习默认的求解算法,其中批量大小与学习率是最重要的两个超参数。
下面记录实现线性回归时遇到的问题。
一、线性回归从零开始
(1) 导入一些包
%matplotlib inline
import random
import torch
from d2l import torch as d2l
刚开始导入这个包的时候会报错为:[WinError 1455] 页面文件太小,无法完成操作。 Error loading “E:\anaconda3\envs\pytorch\lib\site-packages\torch\lib\cudnn_cnn_train64_8.dll” or one of its dependencies.
可能是因为模型有点大而系统分配的内存比较小,需要手动调制(改变代码所在的盘块的分页文件大小)
解决步骤为:电脑右键->高级系统设置->高级->设置->高级->程序->更改->取消自动管理所有驱动器的分页文件大小->自定义代码所在盘块的分页文件大小,我改为10000MB,然后重启电脑就好了。
(2)构造数据集
根据带有噪声的线性模型构造一个人造数据集,使用线性模型参数 w = [2,-3.4]T 、 b = 4.2以及噪声项生成数据集和标签
def synthetic_data(w,b,num_examples): #人造数据集
X = torch.normal(0,1,(num_examples,len(w))) #1是标准差
y = torch.matmul(X,w) + b
y += torch.normal(0,0.01,y.shape) #均值为0,方差为0.01噪声项
return X, y.reshape((-1,1)) # -1表示行数由pytorch推断,1表示1列
true_w = torch.tensor([2,-3.4])
true_b = 4.2
features, labels = synthetic_data(true_w,true_b,1000)
y = Xw + b +噪声项
(3)显示feature和label
d2l.set_figsize()
d2l.plt.scatter(features[:,1].detach().numpy(), #detach分离出数值,不再含有梯度
labels.detach().numpy(),1)
画出feature和label:
(4)定义一个data_iter函数
def data_iter(batch_size,features,labels):
num_examples = len(features)
indices = list(range(num_examples)) #将样本数量转为列表list
# 这些样本是随记读取的没有特定的顺序
random.shuffle(indices) #将下标打乱,可以随机的访问样本
for i in range(0,num_examples,batch_size): #从0到num_examples,每次跨越batch_size的大小
batch_indices = torch.tensor( #随机挑取样本
indices[i:min(i+batch_size,num_examples)])
yield features[batch_indices],labels[batch_indices] #返回迭代器
batch_size = 10
for X,y in data_iter(batch_size,features,labels):
print(X,'\n',y)
break
给样本编号并打乱后生成小批量,大小为batch_size。
打印出X 102的tensor,及y 101的向量如下所示:
(5)定义模型
# 定义初始化模型参数
w = torch.normal(0,0.01,size=(2,1),requires_grad=True) #长为2的向量随机初始化为正态分布,并计算梯度
b = torch.zeros(1,requires_grad=True) #设置偏差为0
# 定义模型
def linreg(X,w,b):
"""线性回归模型"""
return torch.matmul(X,w) + b #矩阵X乘向量w再加上偏差b
构造模型为 y =(X,w) + b
(6)定义损失函数并优化算法
#定义损失函数
def squared_loss(y_hat,y): #y_hat是预测值,y是真实值
"""均方损失 """
#由于真实值y可能是行向量或列向量,因此要对y重新改型为y_hat的shape
return (y_hat - y.reshape(y_hat.shape))**2 / 2 #这里没求和也没有求均值
#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(): #不需要进行梯度计算
for param in params:
param -= lr * param.grad / batch_size #在损失函数中未求均值,故在这里除去batch_size来求均值
param.grad.zero_() #将梯度设为0,下次计算就不会与这次相关
(7)训练
"""定义超参数"""
lr = 0.03 #学习率
num_epochs = 3 #数据整体扫三遍
net = linreg #线性模型
loss = squared_loss #均方损失
for epoch in range(num_epochs): #扫三遍
for X,y in data_iter(batch_size,features,labels):
l = loss(net(X ,w ,b),y) # 将X,w,b放在线性模型中做预测后与真实结果y做损失
#损失l是批量大小的向量
#并以此计算关于[w,b]的梯度
l.sum().backward() #对损失求和算梯度
sgd([w,b],lr,batch_size) #使用sgd优化算法进行参数的梯度更新
with torch.no_grad(): #评价,不需要计算梯度
train_l = loss(net(features,w,b),labels) #将整个特征向量放入线性模型中做预测并和标签做损失
print(f'epoch{epoch+1},loss{float(train_l.mean()):f}')
进行三遍训练以后的差别越来越小:
(8)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
(9)总结
对于梯度下降来说有两个重要的超参数分别是批量大小和学习率,学习率太小或太大都会导致误差变大
- 当学习率为0.03时,损失值为
- 当学习率为0.001时,损失率会增大为
但是可以通过增加训练的次数减少损失,比如将次数增长为10
其结果虽然减小了但依然比学习率为0.03时要大不少 - 当学习率增加至10时,损失值会变为nan,即超出运算范围
二、 线性回归的简洁实现
(1)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 #从torch的utils中引用data模组
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) #通过人工生成函数产生features和labels
这里比第一节多了从torch里引用data模组
(2)调用框架现用的API读取数据
def load_array(data_arrays,batch_size,is_train=True):
"""构造一个PyTorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays)
return data.DataLoader(dataset,batch_size,shuffle=is_train) #DataLoader每次随机挑选样本
batch_size = 10
#将features和labels做成list,传至data中的TensorDataset里,得到一个数据集
data_iter = load_array((features,labels),batch_size)
next(iter(data_iter))
生成X与b如下所示,与上面的结果差不多的
(3)使用框架的预定义好的层
from torch import nn #神经网络
net = nn.Sequential(nn.Linear(2,1)) #list of layers
net[0].weight.data.normal_(0,0.01) #使用正态分布来替换数据的值
net[0].bias.data.fill_(0) #偏差设为0
#计算均方误差使用的是MSELoss类,也称为平方L2范数
loss = nn.MSELoss()
#实例化SGD实例
trainer = torch.optim.SGD(net.parameters(),lr=0.03)
(4)训练过程
num_epochs = 3
for epoch in range(num_epochs): #扫描三遍
for X,y in data_iter:
l = loss(net(X),y) #net本身带有模型参数,这边不需要再带有w和b
trainer.zero_grad()
l.backward() #pytorch已经进行了求和,不需要再sum
trainer.step() #进行模型更新
l = loss(net(features),labels) #扫描结束对所有的特征矩阵与标签进行损失
print(f'epoch{epoch+1},loss{l:f}') #注意这里是字母l不是数字1
最后得出的结果为~