# portorch实现线性回归建模

portoch实现线性回归建模

%matplotlib inline
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random
# 一、生成数据集
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.tensor(np.random.normal(0, 1, (num_examples, num_inputs)), dtype=torch.float)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float) #噪声

import torch.utils.data as Data
# 二、读取数据
batch_size = 10
# 将训练数据的特征和标签组合,相当于把数据放在数据库中
dataset = Data.TensorDataset(features, labels)
# 随机读取小批量，相当于从数据库中每次抽出batch size个样本
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
for X, y in data_iter:
    print(X, y)
    break

import torch.nn as nn
# 三、定义（线性回归）模型
class LinearNet(nn.Module):
    def __init__(self, n_feature):
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(n_feature, 1)
    # forward 定义前向传播
    def forward(self, x):
        y = self.linear(x)
        return y
    
net = LinearNet(num_inputs)# 线性回归模型
print(net) # 使用print可以打印出网络的结构

#更加方便地搭建网络
# 写法一
net = nn.Sequential(
    nn.Linear(num_inputs, 1)
    # 此处还可以传入其他层
    )

# 写法二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......

# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
          ('linear', nn.Linear(num_inputs, 1))
          # ......
        ]))

# 相当于把网络放到容器里进行搭建
print(net)
print(net[0])

for param in net.parameters():#查看模型所有的可学习参数，此函数将返回一个生成器。
    print(param)
    
from torch.nn import init
# 四、初始化模型参数
init.normal_(net[0].weight, mean=0, std=0.01)#通过init.normal_将权重参数每个元素初始化为随机采样于均值为0、标准差为0.01的正态分布。
init.constant_(net[0].bias, val=0)  # 也可以直接修改bias的data: net[0].bias.data.fill_(0)

# 五、定义损失函数
loss = nn.MSELoss() #nn模块中提供了各种损失函数

import torch.optim as optim
# 六、定义优化算法
optimizer = optim.SGD(net.parameters(), lr=0.03)#指定学习率为0.03的小批量随机梯度下降（SGD）为优化算法
# optimizer =optim.SGD([#为不同子网络设置不同的学习率，这在finetune时经常用到
#                 # 如果对某个参数不指定学习率，就使用最外层的默认学习率
#                 {'params': net.subnet1.parameters()}, # lr=0.03 # 有子网络的情况下使用
#                 {'params': net.subnet2.parameters(), 'lr': 0.01}
#             ], lr=0.03)
# 调整学习率
for param_group in optimizer.param_groups:
    param_group['lr'] *= 0.1 # 学习率为之前的0.1倍
print(optimizer)

# 七、模型训练
#调用optim实例的step函数来迭代模型参数。按照小批量随机梯度下降的定义，我们在step函数中指明批量大小，从而对批量中样本梯度求平均。
num_epochs = 3
for epoch in range(1, num_epochs + 1):
    for X, y in data_iter:
        output = net(X)
        l = loss(output, y.view(-1, 1))
        optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()
        l.backward()
        optimizer.step()
    print('epoch %d, loss: %f' % (epoch, l.item()))
    
dense = net[0]#从net获得需要的层，并访问其权重（weight）和偏差（bias）
print(true_w, dense.weight)
print(true_b, dense.bias)