线性回归模型原理模拟
原书来自Dive-into-DL-pytorch
%matplotlib inline
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random
我们构造⼀个简单的⼈⼯训练数据集
它可以使我们能够直观⽐较学到的参数和真实的模型参数的区别。
设训练数据集样本数为1000,输⼊个数(特征数)为2。
给定随机⽣成的批量样本特征为1000*2的矩阵,
我们使⽤线性回归模型真实权重(2,-3.4)和偏差b=4.2 ,
以及⼀个随机噪声来⽣成标签
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.from_numpy(np.random.normal(0, 1, (num_examples,num_inputs)))
# 生成1000*2 的随机输入(数据集)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] +true_b
labels += torch.from_numpy(np.random.normal(0, 0.01,
size=labels.size()))
在训练模型的时候,我们需要遍历数据集并不断读取⼩批量数据样本。这⾥我们定义⼀个函数:
它每次返回 batch_size (批量⼤⼩)个随机样本的特征和标签
def data_iter(batch_size, features, labels):
num_examples = len(features)
indices = list(range(num_examples))
random.shuffle(indices) # 样本的读取顺序是随机的
for i in range(0, num_examples, batch_size):
j = torch.LongTensor(indices[i: min(i + batch_size,num_examples)]) # 最后⼀次可能不⾜⼀个batch
yield features.index_select(0, j), labels.index_select(0, j)
我们将权重初始化成均值为0、标准差为0.01的正态随机数,偏差则初始化成0。
之后的模型训练中,需要对这些参数求梯度来迭代参数的值,因此我们要让它们的requires_grad=True
w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)),dtype=torch.float32)
b = torch.zeros(1, dtype=torch.float32)
w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)
tensor([0.], requires_grad=True)
定义乘法
def linreg(X, w, b):
return torch.mm(X, w) + b
定义损失函数
def squared_loss(y_hat, y):
# 注意这⾥返回的是向量, 另外, pytorch⾥的MSELoss并没有除以 2
return (y_hat - y.view(y_hat.size())) ** 2 / 2
定义优化算法
def sgd(params, lr, batch_size):
for param in params:
param.data -= lr * param.grad / batch_size # 注意这⾥更改param时⽤的param.data
在⼀个迭代周期(epoch)中,我们将完整遍历⼀遍 data_iter 函数,
并对训练数据集中所有样本都使⽤⼀次(假设样本数能够被批量⼤⼩整除)。
这⾥的迭代周期个数 num_epochs 和学习率 lr 都是超参数,
分别设3和0.03。在实践中,⼤多超参数都需要通过反复试错来不断调节。
lr = 0.03
num_epochs = 3
net = linreg
loss = squared_loss
batch_size = 10
for epoch in range(num_epochs):
for X, y in data_iter(batch_size, features, labels):
l = loss(net(X, w, b), y).sum() # l是有关⼩批量X和y的损失
l.backward() # ⼩批量的损失对模型参数求梯度
sgd([w, b], lr, batch_size) # 使⽤⼩批量随机梯度下降迭代模型参数
# 不要忘了梯度清零
w.grad.data.zero_()
b.grad.data.zero_()
train_l = loss(net(features, w, b), labels)
print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))
训练完成后,我们可以⽐较学到的参数和⽤来⽣成训练集的真实参数。它们应该很接近
print(true_w, '\n', w)
print(true_b, '\n', b)