一个简化模型(权重和偏差的实际值在后面决定):
线性模型:
线性模型可以看做是单层神经网络(输入维度是d,输出维度是1,每个箭头表示一个权重)):
衡量预估质量:
训练数据:
参数学习:
显示解:
总结:
基础优化算法:
梯度下降:
选择学习率:
不能太小(每一步的步伐有限,到达一个点需要很多步(很贵))
不能太大(震荡,没有向一个方向下降)
小批量随机梯度下降:
选择批量大小:
总结:
从零开始实现整个方法,包括数据流水线、模型。损失函数和小批量随机梯度下降优化器。
import matplotlib.pyplot as plt
import random
import torch
from d2l import torch as d2l
# 根据带有噪声的线性模型构造一个人造数据集,使用线性模型参数生成数据集及其标签(y=Xw+b+噪声项)
def synthetic_data(w, b, num_examples):
""" 生成y=Xw+b+噪声 """
X = torch.normal(0, 1, (num_examples, len(w))) # 均值为0,方差为1的随机数,行数是n个样本,列数是w个特征
y = torch.matmul(X, w) + b
y += torch.normal(0, 0.01, y.shape) # 加入随机噪音,均值为0,方差为0.01
return X, y.reshape((-1, 1)) # -1指行数自动推导,1指一列
true_w = torch.tensor([2,-3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000) # 生成特征和标注
# features中每一行都包含一个二维数据样本,labels中的每一行都包含一维标签值(一个标量)
print('features:', features[0], '\nlabel:', labels[0])
d2l.set_figsize()
# scatter(x,y,sz):绘制散点图,sz指定为长度等于 x和 y的长度的向量
d2l.plt.scatter(features[:, 1].detach().numpy(), labels.detach().numpy(), 1)
d2l.plt.show()
# 定义一个data_iter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
# 读取数据
def data_iter(batch_size, features, labels):
num_examples = len(features) # 多个样本
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) # 打乱序列中的元素
# 0到 n每次跳 batch_size
for i in range(0, num_examples, batch_size):
batch_indices = torch.tensor(
indices[i:min(i + batch_size, num_examples)]) # 从i开始到i+batch_size拿 b个indices
yield features[batch_indices], labels[batch_indices] # yield相当于return,不断调用返回直到完成
batch_size = 10
for X, y in data_iter(batch_size, features, labels):
print(X,'\n',y)
break
# 定义初始化模型参数
w = torch.normal(0, 0.01, size=(2, 1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
# 定义模型
def linreg(X, w, b):
"""线性回归模型"""
return torch.matmul(X, w) + b
# 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 # 按元素做减法再平方再除法
# 定义优化算法(参数(list)、学习率、batch_size)
def sgd(params, lr, batch_size):
"""小批量随机梯度下降"""
# 更新时不需要计算梯度
with torch.no_grad():
for param in params:
param -= lr * param.grad / batch_size
param.grad.zero_() # 梯度设置为 0
# 训练过程
lr = 0.03 # 学习率
num_epochs = 3 # 三次
net = linreg # 模型
loss = squared_loss # 均方损失
# 第一层是对每个数据扫一遍
for epoch in range(num_epochs):
# 每次拿出一个批量大小的 X和 y
for X, y in data_iter(batch_size, features, labels):
l = loss(net(X, w, b), y) #将X,w,b放进net中做预测,然后预测y与真实y做损失
# 损失就是长为一个批量大小的向量(‘batch_size’,1)
l.sum().backward() # 求和之后算梯度
sgd([w, b], lr, batch_size) # 对w,b进行更新
# 评价进度,不需要计算梯度
with torch.no_grad():
train_l = loss(net(features, w, b), labels)
print(f'epoch{epoch+1}, loss {float(train_l.mean()):f}')
# 比较真实参数和通过训练学到的参数来评估训练的成功程度
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}')
使用深度学习框架来简洁地实现线性回归模型生成数据集
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)
# 调用框架中现有的API来读取数据
def load_array(data_arrays, batch_size, is_train=True):
"""构造一个pytorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays) # 将X和 y传进去
# 得到数据集之后调用DataLoader
# shuffle:是不是需要随机打乱顺序
return data.DataLoader(dataset,batch_size,shuffle=is_train)
batch_size = 10
data_iter = load_array((features, labels), batch_size)
print(next(iter(data_iter))) # 得到x和y
# 使用框架的预定义好的层
from torch import nn
net = nn.Sequential(nn.Linear(2,1)) # 输入和输出的维度
# 初始化模型参数
# net[0]访问linear,.weight访问w,.data真实值,normal_使用正态分布替换掉data值
print(net[0].weight.data.normal_(0,0.01))
# bias偏差设置为0
print(net[0].bias.data.fill_(0))
# 计算均方误差使用的是MSELoss类(L2范数)
loss = nn.MSELoss()
# 实例化SGD实例
# net.parameters():所有的参数
trainer = torch.optim.SGD(net.parameters(),lr=0.03)
# 训练过程
num_epochs = 3 # 三次
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X),y) # net本身带有模型参数
trainer.zero_grad() # 梯度清零
l.backward()
trainer.step() # 模型更新
l = loss(net(features), labels)
print(f'epoch{epoch+1}, loss {l:f}')