pytorch实现梯度下降 学习笔记

首先构造一个人造数据集 我们知道真实的w和b 例如w = 【2，-3.4】，b=4.2

y = Xw + b +e

def synthetic_data(w, b, num_examples):  #@save
    """生成y=Xw+b+噪声"""
    X = torch.normal(0, 1, (num_examples, len(w)))
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)
    return X, y.reshape((-1, 1))

torch.normal函数(均值，方差，（样本大小，列数）【shape】)

torch.matmul即两个张量的矩阵乘积

最后加入噪音

X，y都做成列向量返回

然后定义真实w 和b

传入上述函数 来生成feature 和label

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)

然后我们可以画图来观察一下这个数据 这里用到 

plt.scatter(x, y, s, c, marker, cmap, norm, alpha, linewidths, edgecolorsl) 函数

• x: x轴数据
• y: y轴数据
• s: 散点大小
• c: 散点颜色
• marker: 散点形状
• cmap: 指定特定颜色图，该参数一般不用，有默认值
• alpha: 散点的透明度
• linewidths: 散点边框的宽度
• edgecolors: 设置散点边框的颜色

下面我们需要实现一个函数来每次读取一个小批量 

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    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)
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(
            indices[i: min(i + batch_size, num_examples)])
        yield features[batch_indices], labels[batch_indices]

batch_size 批量大小 所有的feature label

生成样本数量

生成样本index

打乱下标

从0-num 每次跳batchsize大小 

每次取batchsieze大小样本 如果越界 那么取边界

yield是返回 这些数据

初始化w，b

w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)

建立模型

matumul函数 矩阵乘法

def linreg(X, w, b):  #@save
    """线性回归模型"""
    return torch.matmul(X, w) + b

loss function

def squared_loss(y_hat, y):  #@save
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

 sgd 

def sgd(params, lr, batch_size):  #@save
    """小批量随机梯度下降"""
    with torch.no_grad():
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_()

主函数

for epoch in range(num_epochs):
    for X, y in data_iter(batch_size, features, labels):
        l = loss(net(X, w, b), y)  # X和y的小批量损失
        # 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
        # 并以此计算关于[w,b]的梯度
        l.sum().backward()
        sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

epoch 扫数据的次数

每次拿出一个批量大小的x，y

然后对loss 求和算梯度 再用sgd更新梯度

简洁实现

from torch import nn

net = nn.Sequential(nn.Linear(2, 1))

nn中的linear层 （shape） Sequnential 相当于一个存放层的list

net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

0访问层 weitht （w） normal 使用正太分布替换data

bias 偏差

手动实现w和b

loss = nn.MSELoss()

 方差

trainer = torch.optim.SGD(net.parameters(), lr=0.03)

sgd  （参数（w，b），学习率）

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X) ,y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

注意清零梯度 在调用step来进行模型更新