深度学习基础与线性回归实例

1、机器学习基础-线性回归

dffdb631fed54cf193a854e3e6607292.png

介绍:这是一个教育对收入影响的数据,从图像的走势来看,它是具有一个线性关系,即受教育年限越长收入越高,这样我们可以通直线来抽象出它们的关系。

接下来,我们将会介绍一些方法,分别是单变量线性回归算法、成本函数与损失函数、梯度下降算法。

首先要提到的是单变量线性回归算法,我们有这样一个函数f(x)=w*x+b;即x代表,f(x)代表收入我们使用f(x)这个函数来映射输入特征值和输出值。这个时候问题就转化为了,这条直线需要画在什么地方才合适,或者我们说w和b该取什么样的值呢?

然后是,成本函数与损失函数,使用均方差作为成本函数,也就是预测值和真实值之间的平方取均值,我们的优化目标(y代表实际的收入)是找到合适的w和b,使得(f(x)-y)**2越小越好,这样我们获得的直线会更好些。

最后是使用梯度下降算法,转而求解参数w,b,后面我会再着重讲解这里,大家只要明白这里会用到这个方法即可。

2、收入数据集读取与观察

现在,我们可以读取文件,使用matplotlib函数来绘制散点图。

下面是代码,我这里是用的是pandas,当然,如果你自己有能力也可以手写一个。

import torch

import pandas as pd
import numpy
import matplotlib.pyplot as plt

data=pd.read_csv("./dataset/Income1.csv")
data.info()  #返回这个文件的一些信息
print(data)
plt.scatter(data.Education,data.Income)
plt.xlabel("Education"),plt.ylabel("Income")
plt.show()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 30 entries, 0 to 29
Data columns (total 3 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   Unnamed: 0  30 non-null     int64  
 1   Education   30 non-null     float64
 2   Income      30 non-null     float64
dtypes: float64(2), int64(1)
memory usage: 848.0 bytes

 此为info方法获得的信息,下面是用matplotlib所画的散点图。

dffdb631fed54cf193a854e3e6607292.png

3、初始化模型、损失函数和优化方法

from torch import nn
import torch

import pandas as pd
import numpy
import matplotlib.pyplot as plt
import numpy as np

data=pd.read_csv("./dataset/Income1.csv")

# x=data.Education
# print(x)   #返回的是原来的列
# x=data.Education.values
# print(x)


# x=data.Education.values.reshape(-1,1).shape
# print(x)  #(30,1)指,30个数据
#
# x=data.Education.values.reshape(-1,1).astype(np.float64)
# print(x)

X=torch.from_numpy(data.Education.values.reshape(-1,1).astype(np.float64))
print(X)

Y=torch.from_numpy(data.Income.values.reshape(-1,1).astype(np.float64))
print(Y)

model=nn.Linear(1,1)  #out=w@input+b Linear表示随机生成一个权重(有w,b)
#这时就是指input和out都是1 ,w@input+b等价于 model(input)

#计算均方误差
loss_fn=nn.MSELoss()   #损失函数
#优化算法
opt=torch.optim.SGD(model.parameters(),lr=0.0001)

关于预处理部分,我简单说说,调用data.Education返回的是一个原来csv文件的那一列数据,这并不是我们想要的,所以在这里,我先将其转化为了numpy的数据类型ndarrary数组类型,用的是(data.Education.values)方式,我希望我的数据能够一个输入一个输出,所以又添加了reshape方法,将其shape变为(30,1),而torch.from_numpy显而易见是将numpy的ndarrary类型转化为pytorch所用的tensor类型。

这里对于X,Y处理过后,采用nn.Linear()方式随机生成一个权重,一输入一输出。对于损失函数我们可以用nn,MSELoss(),那么建立模型还有一步是进行优化,pytorch当然也提供了,只不过它是在torch当中,torch.optim.SGD(model.parameters(),lr=0.0001),model.parameters()返回需要优化参数,lr为学习速率,具体是什么,我会在后面讲到,这里只需要知道要用就对了。

4、模型训练与结果可视化

import pandas as pd
import numpy
import matplotlib.pyplot as plt
import numpy as np

from torch import nn
import torch

data=pd.read_csv("./dataset/Income1.csv")
X = torch.from_numpy(data.Education.values.reshape(-1, 1)).type(torch.FloatTensor)
# print(X)

Y = torch.from_numpy(data.Income.values.reshape(-1, 1)).type(torch.FloatTensor)
# print(Y)

model=nn.Linear(1,1)

#计算均方误差
loss_fn=nn.MSELoss()   #损失函数
#优化算法
opt = torch.optim.SGD(model.parameters(), lr=0.0001)

for epoch in range(5000):
    for x,y in zip(X,Y):
        y_pred = model(x)   #使用模型预测
        loss=loss_fn(y,y_pred)  #根据预测结果计算损失
        opt.zero_grad()  #把变量的梯度清零
        loss.backward() #反向传播算法,求解梯度
        opt.step()  #优化模型参数
print(model.weight,model.bias)
plt.scatter(data.Education,data.Income)
plt.xlabel("Education"),plt.ylabel("Income")
plt.plot(X.numpy(),model(X).data.numpy(),c='r')
plt.show()

打印weight,bias值 

tensor([[4.9757]], requires_grad=True) 
tensor([-28.3907], requires_grad=True)

较好的拟合了本次数据,那么这就是创建模型,训练模型和使用模型的过程。

5、资源分享

博客的相关代码与csv文件已上传至

GitHub:pytorch-Learning-and-Practice/Reference code/Deep Learning and Linear Regression at main · Auorui/pytorch-Learning-and-Practice (github.com)

如果大家觉得有用,在GitHub里面点击收藏即可。

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

夏天是冰红茶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值