pytorch 手写理解机器学习（手写激活函数，损失函数等）（非原创）

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)