本文详细介绍了使用Python和PyTorch实现线性回归的步骤，包括生成数据集、读取数据、初始化模型参数、定义模型、损失函数、小批量随机梯度下降以及训练过程。作者通过实例和代码演示了整个流程，并分享了学习编程中的困惑和提升方向。
线性回归从零开始实现
目录
1.实现步骤
我的上一篇文章深度学习与神经网络Pytorch版 3.2 线性回归从零开始实现 1.生成数据集详细讲述了线性回归的原理，步骤，应用场景，优缺点，以及生成数据集这一步骤下面将介绍线性回归从零开始实现的余下步骤。代码参考《动手学深度学习》。
1. 生成数据集
# 生成数据集
# 导入必要的库
import matplotlib.pyplot as plt
import random
import torch
from d2l import torch as d2l
# 定义一个生成合成数据的函数
def synthetic_data(w, b, num_examples): # 函数参数包括权重w、偏置b和数据点数量num_examples
# 生成y=Xw+b+噪声满足线性关系y=Xw+b的数据，并添加噪声
X = torch.normal(0, 1, (num_examples, len(w))) # 创建一个形状为(num_examples, len(w))的张量X，元素值为从标准正态分布中抽取的随机数
y = torch.matmul(X, w) + b # 使用矩阵乘法计算y的值，y = X * w + b
y += torch.normal(0, 0.01, y.shape) # 在y的值上添加从标准正态分布中抽取的随机噪声，噪声的标准差为0.01
return X, y.reshape((-1, 1)) # 返回X和y。y被重新整形为(-1, 1)的形状，这是因为matplotlib在绘图时需要这样的形状
# 定义真实的权重和偏置值
true_w = torch.tensor([2, -3.4]) # 真实的权重w为[2, -3.4]的张量
true_b = 4.2 # 真实的偏置b为4.2的标量
# 使用上面定义的函数生成数据集
features, labels = synthetic_data(true_w, true_b, 1000) # 生成1000个数据点作为训练或测试样本，特征为X，标签为y（即labels）
print('features:', features[0],'\nlabel:', labels[0])
#d2l.set_figsize()
#d2l.plt.scatter(features[:, (1)].detach().numpy(), labels.detach().numpy(), 1)
# 这行代码也是从d2l库中调用的。它使用散点图来可视化特征和标签。#
# features[:, (1)].detach().numpy()选取了所有数据点的第二个特征（索引为1，因为索引是从0开始的）并转换为NumPy数组。
# #.detach()是PyTorch中的方法，用于从计算图中分离张量，这样张量就不会追踪其历史计算，这在进行绘图等操作时是很有用的。
# labels.detach().numpy()将标签转换为NumPy数组。这里的1表示散点的大小。
#plt.show()2. 读取数据集
# 2. 读取数据集
def data_iter(batch_size, features, labels):
num_examples = len(features)
#print(num_examples)
indices = list(range(num_examples)) # indices 是一个包含从0到num_examples-1的整数的列表，
# 这些整数可以用来索引特征数据和标签数据，以便于将它们分批提取出来。
# 这些样本是随机读取的，没有特定的顺序
random.shuffle(indices) # 使用了Python的random.shuffle()函数来随机化indices列表中的元素顺序。
# 这个循环用于遍历所有的批次
for i in range(0, num_examples, batch_size):
# 这一行代码在每次循环中创建一个新的批次索引列表。它从indices列表中提取一个子列表，该子列表从i开始，
# 到i + batch_size结束（但不超过num_examples）。
# 然后，使用PyTorch的torch.tensor()函数将这个子列表转换为张量。
batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])
# 这一行代码使用前面创建的batch_indices来从features和labels中提取一个批次的特征和标签。
# 然后，使用yield关键字返回这些数据。
yield features[batch_indices], labels[batch_indices]
batch_size = 10
total_batch_size = (len(features) + batch_size - 1) // batch_size # 计算总批次数
print(total_batch_size)
for i, (X, y) in enumerate(data_iter(batch_size, features, labels)):
if i == 4: # 当批次索引为4时，即第五个批次
print(X, '\n', y)
break # 退出循环3. 初始化模型参数
# 3. 初始化模型参数
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
print('123')
print(w.shape)
print(w)3.1 可视化w 和 b
# 将张量w可视化出来
import matplotlib.pyplot as plt
import torch
# 创建张量w
w = torch.normal(0, 0.01, size=(2, 1), requires_grad=True)
# 将张量转换为numpy数组以供matplotlib使用
w_np = w.detach().numpy()
# 创建matplotlib图形
plt.figure(figsize=(4, 2))
# 绘制张量w的矩阵表示形式
plt.imshow(w_np, cmap='viridis', aspect='auto', origin='lower')
plt.colorbar()
plt.title('Visualization of Tensor w')
plt.xlabel('Row')
plt.ylabel('Column')
# 显示图形
plt.show()
# 将张量b可视化出来
import matplotlib.pyplot as plt
import numpy as np
import torch
# 创建张量 b
b = torch.zeros(1, requires_grad=True)
# 将张量转换为 NumPy 数组
b_np = b.detach().numpy()
# 可视化 b
plt.figure(figsize=(4, 2))
plt.plot(b_np)
plt.title('Visualization of Tensor b')
plt.xlabel('Index')
plt.ylabel('Value')
plt.show()4. 定义模型
# 4. 定义模型
def linreg(X, w, b): #@save
# 线性回归模型
return torch.matmul(X, w) + b5. 定义损失函数
# 5. 定义损失函数
def squared_loss(y_hat, y): #
#均方损失
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 26. 定义优化算法
# 6. 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():
for param in params:
param -= lr * param.grad / batch_size
param.grad.zero_()7. 训练
# 7. 训练
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):
l = loss(net(X, w, b), y) # X和y的小批量损失
# 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
# 并以此计算关于[w,b]的梯度
l.sum().backward()
sgd([w, b], lr, batch_size) # 使用参数的梯度更新参数
with torch.no_grad():
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的估计误差: {true_b - b}')2. 完整代码
# 线性回归从零开始实现
# 生成数据集
# 导入必要的库
import matplotlib.pyplot as plt
import random
import torch
from d2l import torch as d2l
# 定义一个生成合成数据的函数
def synthetic_data(w, b, num_examples): # 函数参数包括权重w、偏置b和数据点数量num_examples
# 生成y=Xw+b+噪声满足线性关系y=Xw+b的数据，并添加噪声
X = torch.normal(0, 1, (num_examples, len(w))) # 创建一个形状为(num_examples, len(w))的张量X，元素值为从标准正态分布中抽取的随机数
y = torch.matmul(X, w) + b # 使用矩阵乘法计算y的值，y = X * w + b
y += torch.normal(0, 0.01, y.shape) # 在y的值上添加从标准正态分布中抽取的随机噪声，噪声的标准差为0.01
return X, y.reshape((-1, 1)) # 返回X和y。y被重新整形为(-1, 1)的形状，这是因为matplotlib在绘图时需要这样的形状
# 定义真实的权重和偏置值
true_w = torch.tensor([2, -3.4]) # 真实的权重w为[2, -3.4]的张量
true_b = 4.2 # 真实的偏置b为4.2的标量
# 使用上面定义的函数生成数据集
features, labels = synthetic_data(true_w, true_b, 1000) # 生成1000个数据点作为训练或测试样本，特征为X，标签为y（即labels）
print('features:', features[0],'\nlabel:', labels[0])
#d2l.set_figsize()
#d2l.plt.scatter(features[:, (1)].detach().numpy(), labels.detach().numpy(), 1)
# 这行代码也是从d2l库中调用的。它使用散点图来可视化特征和标签。#
# features[:, (1)].detach().numpy()选取了所有数据点的第二个特征（索引为1，因为索引是从0开始的）并转换为NumPy数组。
# #.detach()是PyTorch中的方法，用于从计算图中分离张量，这样张量就不会追踪其历史计算，这在进行绘图等操作时是很有用的。
# labels.detach().numpy()将标签转换为NumPy数组。这里的1表示散点的大小。
#plt.show()
# 2. 读取数据集
def data_iter(batch_size, features, labels):
num_examples = len(features)
#print(num_examples)
indices = list(range(num_examples)) # indices 是一个包含从0到num_examples-1的整数的列表，
# 这些整数可以用来索引特征数据和标签数据，以便于将它们分批提取出来。
# 这些样本是随机读取的，没有特定的顺序
random.shuffle(indices) # 使用了Python的random.shuffle()函数来随机化indices列表中的元素顺序。
# 这个循环用于遍历所有的批次
for i in range(0, num_examples, batch_size):
# 这一行代码在每次循环中创建一个新的批次索引列表。它从indices列表中提取一个子列表，该子列表从i开始，
# 到i + batch_size结束（但不超过num_examples）。
# 然后，使用PyTorch的torch.tensor()函数将这个子列表转换为张量。
batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])
# 这一行代码使用前面创建的batch_indices来从features和labels中提取一个批次的特征和标签。
# 然后，使用yield关键字返回这些数据。
yield features[batch_indices], labels[batch_indices]
batch_size = 10
total_batch_size = (len(features) + batch_size - 1) // batch_size # 计算总批次数
print(total_batch_size)
for i, (X, y) in enumerate(data_iter(batch_size, features, labels)):
if i == 4: # 当批次索引为4时，即第五个批次
print(X, '\n', y)
break # 退出循环
# 3. 初始化模型参数
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
print('123')
print(w.shape)
print(w)
# 4. 定义模型
def linreg(X, w, b): #@save
# 线性回归模型
return torch.matmul(X, w) + b
# 5. 定义损失函数
def squared_loss(y_hat, y): #
#均方损失
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
# 6. 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():
for param in params:
param -= lr * param.grad / batch_size
param.grad.zero_()
# 7. 训练
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):
l = loss(net(X, w, b), y) # X和y的小批量损失
# 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
# 并以此计算关于[w,b]的梯度
l.sum().backward()
sgd([w, b], lr, batch_size) # 使用参数的梯度更新参数
with torch.no_grad():
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的估计误差: {true_b - b}')3. 小结
我正在学习《动手学深度学习》文中的代码参照书中代码，也可以认为这是一片笔记我将代码运行了运行，添加了一些注释，感觉对代码的了解还不是很深入，只能说在心里大致有一个轮廓，之后我会不断加强学习，争取推陈出新。写出更加有深度的文章分享给大家。我心中一直有一个问题，新手如何学习编写代码，以我的水平最多能看懂一点代码，但是让我写，一点也写不出来，总是感觉自己学习的方式方法有问题。对于本文中的线性回归，我的问题与不足是，损失函数需要更加深入的了解，定义优化算法中的小批量随机梯度下降问题不理解不能掌握，我要在之后继续深入学习。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
