文章目录
前言
记录沐神动手深度mj学习的过程,欢迎指出错误。😀2022.3.20修改一次
分析动手深度学习的代码 这里的
pytorch文档 英文可以的可以自己查找
一、线性回归的从零开始实现
1.引入库
%matplotlib inline
import random
import torch
from d2l import torch as d2l
2.生成数据集
def synthetic_data(w, b, num_examples): #@save
"""生成 y = Xw + b + 噪声,
@save是指保存到d21下面方便下次使用"""
X = torch.normal(0, 1, (num_examples, len(w)))#正态分布生成X
y = torch.matmul(X, w) + b #X乘以w
y += torch.normal(0, 0.01, y.shape) #加噪声
return X, y.reshape((-1, 1))
true_w = torch.tensor([2, -3.4]) #w,b 随便取个值
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
3. 读取数据集
def data_iter(batch_size, features, labels):
num_examples = len(features)
indices = list(range(num_examples))
#打乱样本,随机读取
random.shuffle(indices)
for i in range(0, num_examples, batch_size):
batch_indices = torch.tensor(
#min的意思是防止下标i+batch_size超过num_examlple
indices[i: min(i + batch_size, num_examples)])
# 可以成每次返回一个,可以先看成return
yield features[batch_indices], labels[batch_indices]
4.初始化模型参数
batch_size = 10
'''初始化模型参数'''
'''我们要设计一个自己创造一个w,b去梯度下降逼近我们前面设置的真实值'''
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
pytorch自动求导的底层分析
因为这里第一次用了自动求导,这是我看到的比较细的分析
自动求导
5.定义模型
def linreg(X, w, b): #@save
"""线性回归模型。"""
return torch.matmul(X, w) + b
def squared_loss(y_hat, y): #@save
"""均方损失。"""
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
def sgd(params, lr, batch_size): #@save
"""小批量随机梯度下降。"""
with torch.no_grad():
for param in params:
param -= lr * param.grad / batch_size #batch因为训练的代码有个sum
param.grad.zero_() # 清除的梯度值,也就是重新赋值为0
6.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(): #这里表示只想看训练的结果,并不反向更新参数
train_l = loss(net(features, w, b), labels)
print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')
二、线性回归的简洁实现
跟第一个差不多,用了第一个构造的函数
import numpy as np
import torch
from torch.utils import data
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)
1.读取数据集
def load_array(data_arrays, batch_size, is_train=True): #@save
"""构造一个PyTorch数据迭代器。"""
dataset = data.TensorDataset(*data_arrays)
'''data_arrays我的理解*是把多个数据传到data.TensorDataset里面,不加*会出错
产生这个'tuple' object has no attribute 'size' '''
return data.DataLoader(dataset, batch_size, shuffle=is_train)
batch_size = 10
data_iter = load_array((features, labels), batch_size)
2.定义模型
# `nn` 是神经网络的缩写
from torch import nn
# 输入为2,输出为1
net = nn.Sequential(nn.Linear(2, 1))
3.初始化模型参数
net[0].weight.data.normal_(0, 0.01) #注意有_
net[0].bias.data.fill_(0)
4. 定义损失函数
loss = nn.MSELoss()
5.定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
6.训练
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X) ,y)
trainer.zero_grad()
l.backward() //自动做了sum
trainer.step() //进行一下梯度更新
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
总结
对代码理解感觉还不是特别透彻…
2020.3.20 去准备托福去了,前几天去看了看pytorch的文档,现在感觉没什么问题了
参考:1.torch.matmul()
2.with torch.no_grad()
3yield介绍
4.自动求导的底层分析