Pytorch实现线性回归

最新推荐文章于 2024-03-24 15:03:53 发布

而又何羡乎

最新推荐文章于 2024-03-24 15:03:53 发布

阅读量1.4k

点赞数 2

分类专栏： Python机器学习文章标签： python 深度学习 Pytorch

本文链接：https://blog.csdn.net/qq_44285092/article/details/108047578

版权

Python机器学习专栏收录该内容

7 篇文章 2 订阅

订阅专栏

【学习视频链接：https://www.bilibili.com/video/BV1Y7411d7Ys?p=5&t=3299】

1 构建数据集（Prepare dataset）

Pytorch中，计算图都是mini-batch形式，所有 $X$ 与 $Y$ 都应该为Tensor。

$\begin{bmatrix} y_{pred}^{(1)}\\ y_{pred}^{(2)}\\ \vdots \\ y_{pred}^{(n)} \end{bmatrix} = \omega \begin{bmatrix} x^{(1)}\\ x^{(2)}\\ \vdots \\ x^{(n)} \end{bmatrix}+ b ；X,Y,\omega,b \in \mathbb{R}$

假设 $X$ 和 $Y$ 是 $\times 1$ 维的矩阵，式中的 $\omega$ 和 $b$ 会被通过
如同numpy数组的广播将其扩展为 $\times 1$ 维的矩阵。在这里 $\omega$ 和 $b$ 随着 $X$ 的长度变化而变化，广播的为原来的 $\omega$ 和 $b$ 的值，如 $b=[b,b,\dots,b]_n^T$

$\begin{bmatrix} Loss^{(1)}\\ Loss^{(2)}\\ \vdots \\ Loss^{(n)} \end{bmatrix} = \left( \begin{bmatrix} \hat y_{1}\\ \hat y_{2}\\ \vdots \\ \hat y_{n} \end{bmatrix} - \begin{bmatrix} y_{1}\\ y_{2}\\ \vdots \\ y_{n} \end{bmatrix}\right)^2$

import torch
# Pytorch中的数据等均为Tensor变量，即矩阵
x_data = torch.Tensor([[1],[2],[3]]) # 相当于一个numpy.array
y_data = torch.Tensor([[2],[4],[6]])

2 设计模型（Design model using Class）

2.1 设计模型的流程及注意事项

之前训练是，我们是通过人工来求导数，根据函数的解析式一步步来求导数的值，然后通过链式法则来进行的计算。在Pytorch中，我们就不用分析怎么求导数，然后用链式法则等进行计算了，我们的重点的目标变为构建计算图，通过张量之间的计算，自动计算出梯度。

① 通过x与y的输入，从而确定出w和b的维度大小，从而确定出 $\hat y$ ，当然y与 $\hat y$ 的维度肯定是一样的。

② 通过设计的模型构建出计算图，其计算流程如下图所示。

③ x到loss为前馈；通过loss调用backward，计算出w和b，然后通过梯度下降法来更新w和b从而进行训练，此为反馈过程。

2.2 Pytorch设计模型

① 将模型定义为一个类(class)

② 定义的模型都要继承torch.nn.Module

③ 构建的函数至少需要两个函数，第一个为def init(self):【称为构造函数，用于初始化对象所要调用的函数】，第二个为def forward(self,x)【用于在前馈计算所要执行的计算】。之所以没有反馈的函数，是因为我们调用的Module会自动根据里面的计算图来帮助你自动实现反馈。

④ 若我们要用的模块在Pytorch中没有定义，如果你需要的模块可以由Pytorch支持的基本运算，可以自己将其封装为一个Module，将来通过实例化调用即可自动进行反向传播。

⑤ 如果你觉得Pytorch的计算图算起来效率不高，在计算导数有更高效的方法，这时可以从Functions中继承。Functions是Pytorch的一个类，这个类是需要自己实现反向传播的，这样就可以构建自己的计算块。但是你的基本计算块都可以由现成Pytorch的模块构成，从而进行计算，用Module是最简单的，不用去设计反向传播的倒数来怎么求。

# 通过魔法命令？，查看帮助信息如下
torch.nn.Linear?

初始：torch.nn.Linear（in_features，out_features，bias = True）
对输入数据应用线性变换：$y = xA^T + b $
in_features：每个输入样本的大小
out_features：每个输出样本的大小
偏置：如果设置为"False"，则图层将不会添加偏置。默认值：“True”

# 我们可以通过dir获取Module里面有哪些函数
# 通过判断可以发现在里面
"forward" in dir(torch.nn.Module) and "__call__" in dir(torch.nn.Module)

True

# 自定义一个Pytorch线性模型的类
class LinerModel(torch.nn.Module):
    def __init__(self):
        # super 父类，调用父类的构造，这一步必须有
        # 第一个参数为定义类的名称，第二个为self
        super(LinerModel,self).__init__()
        '''构造一个对象，包含了权重与偏置Tensor
        Linear是属于Module的，因此可以自动实现前馈和反馈的计算
        nn：neural network的简写'''
        self.linear = torch.nn.Linear(1,1) 
        
    def forward(self,x):
        # 实际上是类的重写，该函数实际上已经在里面被写入了，这里需要重写一下
        # 当类中有"__call__"时才可调用
        y_pred = self.linear(x) # 实现一个可调用的对象
        return y_pred
    
# 实例化类 ，该类为callable   
model = LinerModel()# 是一个含有"__call__"的类，因此可以直接调用
# model(x) # x 就会送入至forward的函数里，然后对x进行计算

定义一个可调用的类：

class CC:
    def __init__(self):
        pass
    
    # 定义一个可调用
    def __call__(self,*args,**kwargs):
        print("hello" + str(args[0]))
        
# 实例化类
d = CC()
d(1,2,3)

hello1

# 一一对应函数传递的写法
def f(a,b,c,x,y):
    print(a)
f(1,2,3,x=3,y=3)

# *args：表示不指定变量的多个值传入至函数中，结果以元组的方式返回
# **kwargs：表示指定变量的多个变量传入至函数中，其结果为一个字典
def ff(*args,**kwargs):
    print(args)
    print(kwargs)
ff(1,2,3,x=3,y=3)

(1, 2, 3)
{'x': 3, 'y': 3}

3 构造损失函数和优化器（Construct loss optimizer using Pytorch API）

3.1 构造损失函数

torch.nn.MSELoss(size_average=None, reduce=None, reduction=‘mean’)

size_average（布尔型，可选）：默认损失是该批次中每个损失要素的平均值。如果设置为False，是将每个小批量的损失相加，不求均值。默认值：True（当数据个数不相同时用，含有缺失值时，其余用不用无所谓，还能少有一步计算。）
reduce（布尔型，可选）：不推荐使用。默认情况下，根据每个小批量的观测值，是否对损失进行平均或求和，具体取决于在size_average上。默认值：True
reduction （字符串，可选）： none：无操作；mean：输出的总和除以输出中的元素；sum：将对输出求和。默认值：mean。

创建一个标准来测量之间的均方误差（L2范数的平方）

$\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = \left( x_n - y_n \right)^2$

$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}$

$x 和 y$ 是任意形状的张量， $n$ 总计每个元素的个数。

# 需要的数据是"\hat y" 与"y"
criterion = torch.nn.MSELoss(size_average=False)

3.2 构造优化器

torch.optim.SGD(
    params,
    lr=<required parameter>,
    momentum=0,
    dampening=0,
    weight_decay=0,
    nesterov=False,
)

params（可迭代）：参数的可迭代以优化或命令定义参数组
lr（浮动）：学习率，可以是根据需要动态变化的
momentum（float，可选）：动量因子（默认值：0）
weight_decay（float，可选）：正则化（默认值：0）
衰减动量（float，可选）：衰减动量（默认值：0）
nesterov（布尔型，可选）：启用Nesterov动量（默认值：False）

'''
model.parameters()检查model里面的所有成员
如果有相应的权重，则就会将其都加入到最后要进行训练的参数集合中
model.parameters()实际上调用的是torch.nn.Linear.parameters()
'''
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

4 训练周期（Training cycle）

前馈：计算损失， $\hat y$ 和 $l o s s$
反馈：计算梯度
更新：梯度下降算法更新权重

for epoch in range(1000):
    # 前馈计算出 \hat y，即y_pred
    y_pred = model(x_data)
    # 前馈计算出 loss
    loss = criterion(y_pred,y_data)
    # 查看损失，loss输出的时候回自动变为标量
    # print(epoch,loss.data.item())
    # 所有的梯度归零
    optimizer.zero_grad()
    # 反馈，方向传播
    loss.backward()
    # 更新，根据所有参数和学习率来更新
    optimizer.step()

# 输出权重(weight)和偏置(bias)
print(f"w={model.linear.weight.item()}")
print(f"b={model.linear.bias.item()}")

w=1.9997389316558838
b=0.0005934041691944003

# 测试模型(Test Model)
x_test = torch.Tensor([[4]])
y_test = model(x_test)
print(f"y_pred={y_test.data}")

y_pred=tensor([[7.9995]])

如果训练没有达到预想的情况，可适当的增加训练次数。但是这样会有一定的风险，对于训练集上的损失会越来越少，对于测试集上的损失可能就会少着少着就会上升了。因此，在训练时需要对训练集和测试集的损失综合来观察，避免出现过拟合。

5 代码合并与

# 自定义一个Pytorch线性模型的类
class LinerModel(torch.nn.Module):
    def __init__(self):
        # super 父类，调用父类的构造，这一步必须有
        # 第一个参数为定义类的名称，第二个为self
        super(LinerModel,self).__init__()
        '''构造一个对象，包含了权重与偏置Tensor
        Linear是属于Module的，因此可以自动实现前馈和反馈的计算
        nn：neural network的简写'''
        self.linear = torch.nn.Linear(1,1) 
        
    def forward(self,x):
        # 实际上是类的重写，该函数实际上已经在里面被写入了，这里需要重写一下
        # 当类中有"__call__"时才可调用
        y_pred = self.linear(x) # 实现一个可调用的对象
        return y_pred

def train(times,name,lr):
    # 实例化类 ，该类为callable   
    model = LinerModel()# 是一个含有"__call__"的类，因此可以直接调用
    # model(x) # x 就会送入至forward的函数里，然后对x进行计算
    # 需要的数据是"\hat y" 与"y"
    criterion = torch.nn.MSELoss(size_average=False)
    # 构建优化器
    if name == "SGD":
        optimizer = torch.optim.SGD(model.parameters(),lr=lr)
    elif name == "Adagrad":
        optimizer = torch.optim.Adagrad(model.parameters(),lr=lr)
    elif name == "Adam":
        optimizer = torch.optim.Adam(model.parameters(),lr=lr)
    elif name == "Adamax":
        optimizer = torch.optim.Adamax(model.parameters(),lr=lr)
    elif name == "ASGD":
        optimizer = torch.optim.ASGD(model.parameters(),lr=lr)
    elif name == "RMSprop":
        optimizer = torch.optim.RMSprop(model.parameters(),lr=lr)
    elif name == "Rprop":
        optimizer = torch.optim.Rprop(model.parameters(),lr=lr)
     
    aa = []
    for epoch in range(times):
        # 前馈计算出 \hat y，即y_pred
        y_pred = model(x_data)
        # 前馈计算出 loss
        loss = criterion(y_pred,y_data)
        aa.append(loss.data.item())
        # 查看损失，loss输出的时候回自动变为标量
        # print(epoch,loss.data.item())
        # 所有的梯度归零
        optimizer.zero_grad()
        # 反馈，方向传播
        loss.backward()
        # 更新，根据所有参数和学习率来更新
        optimizer.step()
    
    # 输出权重(weight)和偏置(bias)
    print(f"w={model.linear.weight.item()}")
    print(f"b={model.linear.bias.item()}")

    # 测试模型(Test Model)
    x_test = torch.Tensor([[4]])
    y_test = model(x_test)
    print(f"y_pred={y_test.data}")
    
    return aa

import torch

if __name__ == '__main__':
    name = ["Adagrad","Adam","Adamax","ASGD","RMSprop","Rprop","SGD"]
    data = dict()
    for i in name:
        print("*"*20)
        # Pytorch中的数据等均为Tensor变量，即矩阵
        x_data = torch.Tensor([[1],[2],[3]]) # 相当于一个numpy.array
        y_data = torch.Tensor([[2],[4],[6]]) 
        print(i)
        data[i] = train(200,i,0.01)
print("执行结束")

********************
Adagrad
w=-0.2695870101451874
b=0.6175152063369751
y_pred=tensor([[-0.4608]])
********************
Adam
w=1.536633849143982
b=0.958001971244812
y_pred=tensor([[7.1045]])
********************
Adamax
w=1.5282803773880005
b=1.012595295906067
y_pred=tensor([[7.1257]])
********************
ASGD
w=1.8811336755752563
b=0.2701973021030426
y_pred=tensor([[7.7947]])
********************
RMSprop
w=1.0703529119491577
b=1.7555208206176758
y_pred=tensor([[6.0369]])
********************
Rprop
w=1.9999990463256836
b=5.34028117726848e-07
y_pred=tensor([[8.0000]])
********************
SGD
w=1.9451408386230469
b=0.12470770627260208
y_pred=tensor([[7.9053]])
执行结束

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']  # 用来正常显示中文标签  
plt.rcParams['axes.unicode_minus']=False  # 用来正常显示负号
plt.figure(figsize=(10,6),dpi=300)

for i in data.keys():
    y = data[i]
    x = list(range(200))
    plt.plot(x,y,label=i)
plt.legend(bbox_to_anchor=(0., 1.02, 1., .102), loc=0,
       ncol=len(data.keys()), mode="expand", borderaxespad=0.)

plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.grid()
plt.show()

在这里插入图片描述

而又何羡乎

关注

2
点赞
踩
10

收藏

觉得还不错? 一键收藏
打赏
0
评论
Pytorch实现线性回归

【学习视频链接：https://www.bilibili.com/video/BV1Y7411d7Ys?p=5&t=3299】 1 构建数据集（Prepare dataset）2 设计模型（Design model using Class）2.1 设计模型的流程及注意事项2.2 Pytorch设计模型3 构造损失函数和优化器（Construct loss optimizer using Pytorch API）3.1 构造损失函数3.2 构造优化器4 训练周期（Training cycle）5 代
复制链接

扫一扫