动手深度学习--线性神经网络代码实现

线性回归

为了解释线性回归，我们举一个实际的例子： 我们希望根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）。 因此我们需要开发一个能预测房价的模型。

线性模型

在线性模型中，我们最主要的是希望寻找到最好的模型参数w和b，但在寻找之前我们还需要两个东西：1.一种模型质量的度量方式（损失函数）损失函数常用平方误差损失

2.一种能更新模型以提高模型预测质量的方法（梯度下降，我们比较常用的是随机梯度下降SGD）如果每次更新参数都遍历整个数据集的话，会耗费很多时间，所以。

#线性回归实现
import random
from mxnet import autograd,np,npx
import matplotlib.pyplot as plt
from d2l import mxnet as d2l
npx.set_np()

#生成数据集
def synthetic_data(w,b,num_examples):
    X=np.random.normal(0,1,(num_examples,len(w)))#形状
    y=np.dot(X,w)+b
    y+=np.random.normal(0,0.01,y.shape)
    return X,y.reshape((-1,1))

true_w=np.array([2,-3.4])
true_b=4.2
features,labels=synthetic_data(true_w,true_b,1000)#features表示样本，我们一共产生了包含1000个样本的数据集

'''
for i in range(10):
    print('features:',features[i],'\nlabel',label[i],i)
'''
'''
#生成第二个特征features[:,1]和labels的散点图来观察两者之间的线性关系
d2l.set_figsize()
d2l.plt.scatter(features[:,(1)].asnumpy(),labels.asnumpy(),1);
plt.show()
'''
#读取数据集
'''
定义一个函数，能够打乱数据集中的样本并以小批量方式获取数据，接下来我们定义一个data_iter函数
该函数接收批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量。每个小批量包含一组特征和标签
'''
def data_iter(batch_size,features,labels):
    num_examples=len(features)
    indices=list(range(num_examples))
    #这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices)#用于将一个列表中的元素打乱顺序
    for i in range(0,num_examples,batch_size):
        batch_indices=np.array(indices[i:min(i+batch_size,num_examples)])
        yield features[batch_indices],labels[batch_indices]

batch_size=10
'''
for X,y in data_iter(batch_size,features,labels):
    print(X,'\n',y)
    break
'''
#初始化模型参数
'''
当我们开始使用小批量随机梯度下降优化我们的模型参数之前，我们需要先有一些参数，我们通过从
均值为0，标准差为0.01的正态分布中采样随机数来初始化权重，并将偏置初始化为0
'''
w=np.random.normal(0,0.01,(2,1))
b=np.zeros(1)
w.attach_grad()
b.attach_grad()#用来更新损失函数关于模型参数的梯度

#定义模型
'''
计算线性模型的输出，我们只需要计算输入特征X和模型权重w的矩阵，向量乘法后加上偏置b，注意Xw是一个向量，b是一个标量
当我们用一个向量加上一个标量时，标量会被加到向量的每个分量上
'''
def linreg(X,w,b):
    return np.dot(X,w)+b

#定义损失函数
'''
要计算损失函数的梯度，我们应该先定义损失函数，实现过程中，我们需要将真实值y的形状转换为何预测值y_hat的形状相同
'''
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
'''这里我们实现小批量随机梯度下降，每一步更新大小由学习速率lr决定，因为我们计算的损失是一个批量样本的总和
，所以我们用批量大小（batch_size）来规范步长，这样步长大小就不会取决于我们对批量大小的选择
'''
def sgd(params,lr,batch_size):
    '''小批量随机梯度下降'''
    for param in params:
        param[:]=param-lr*param.grad/batch_size

#训练
'''
每次迭代过程中，读取一小批量训练样本，并通过我们的模型来获得一组预测。计算完损失后，我们开始反向传播，存储每个参数的梯度。
最后调用优化算法sgd来更新模型参数，即：
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。
在每个迭代周期（epoch）中，我们使用data_iter函数遍历整个数据集，并将训练数据集中所有样本都使用一次。
迭代周期个数和学习率都是超参数，分别设为3和0.03
'''
lr=0.03
num_epochs=3
net=linreg
loss=squared_loss
for epoch in range(num_epochs):
    for X,y in data_iter(batch_size,features,labels):
        with autograd.record():
            l=loss(net(X,w,b),y)#X和y的小批量损失
        l.backward()
        sgd([w,b],lr,batch_size)#使用参数的梯度更新参数
    train_l=loss(net(features,w,b),labels)
    print(f'epoch{epoch+1},loss{float(train_l.mean()):f}')

print(f'w的估计误差：{true_w-w.reshape(true_w.shape)}')
print(f'b的误差估计:{true_b-b}')

最后得出的结果如下