（七）学习笔记：动手学深度学习（线性回归与基础优化算法）

1.线性回归理论部分

回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。
在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。

在机器学习领域中的大多数任务通常都与预测（prediction）有关。
当我们想预测一个数值时，就会涉及到回归问题。
常见的例子包括：预测价格（房屋、股票等）、预测住院时间（针对住院病人等）、
预测需求（零售销量等）。
但不是所有的预测都是回归问题。
在后面的章节中，我们将介绍分类问题。分类问题的目标是预测数据属于一组类别中的哪一个。

1.1 线性回归的基本元素

线性回归（linear regression）可以追溯到19世纪初，它在回归的各种标准工具中最简单而且最流行。
线性回归基于几个简单的假设：
首先，假设自变量$\mathbf{x}$和因变量$y$之间的关系是线性的，即$y$可以表示为$\mathbf{x}$中元素的加权和，这里通常允许包含观测值的一些噪声；
其次，我们假设任何噪声都比较正常，如噪声遵循正态分布。
为了解释线性回归，我们举一个实际的例子：
我们希望根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）。
为了开发一个能预测房价的模型，我们需要收集一个真实的数据集。
这个数据集包括了房屋的销售价格、面积和房龄。
在机器学习的术语中，该数据集称为训练数据集（training data set）
或训练集（training set）。
每行数据（比如一次房屋交易相对应的数据）称为样本（sample），
也可以称为数据点（data point）或数据样本（data instance）。
我们把试图预测的目标（比如预测房屋价格）称为标签（label）或目标（target）。
预测所依据的自变量（面积和房龄）称为特征（feature）或协变量（covariate）。

通常，我们使用$n$来表示数据集中的样本数。
对索引为$i$的样本，其输入表示为${\mathbf{x}}^{(i)}=[x_1^{(i)},x_2^{(i)}{]}^{\top }$，其对应的标签是$y^{(i)}$。

1.1.1 线性模型

线性假设是指目标（房屋价格）可以表示为特征（面积和房龄）的加权和，如下面的式子：

$$\mathrm{p}\mathrm{r}\mathrm{i}\mathrm{c}\mathrm{e}=w_{\mathrm{a}\mathrm{r}\mathrm{e}\mathrm{a}}\cdot \mathrm{a}\mathrm{r}\mathrm{e}\mathrm{a}+w_{\mathrm{a}\mathrm{g}\mathrm{e}}\cdot \mathrm{a}\mathrm{g}\mathrm{e}+b.$$

$w_{\mathrm{a}\mathrm{r}\mathrm{e}\mathrm{a}}$和$w_{\mathrm{a}\mathrm{g}\mathrm{e}}$称为权重（weight），权重决定了每个特征对我们预测值的影响。
$b$称为偏置（bias）、偏移量（offset）或截距（intercept）。
偏置是指当所有特征都取值为0时，预测值应该为多少。
即使现实中不会有任何房子的面积是0或房龄正好是0年，我们仍然需要偏置项。
如果没有偏置项，我们模型的表达能力将受到限制。
严格来说，是输入特征的一个仿射变换（affine transformation）。
仿射变换的特点是通过加权和对特征进行线性变换（linear transformation），并通过偏置项来进行平移（translation）。

给定一个数据集，我们的目标是寻找模型的权重$\mathbf{w}$和偏置$b$，使得根据模型做出的预测大体符合数据里的真实价格。
输出的预测值由输入特征通过线性模型的仿射变换决定，仿射变换由所选权重和偏置确定。

而在机器学习领域，我们通常使用的是高维数据集，建模时采用线性代数表示法会比较方便。
当我们的输入包含$d$个特征时，我们将预测结果$\hat{y}$（通常使用“尖角”符号表示$y$的估计值）表示为：

$$\hat{y}=w_1{x}_1+...+w_d{x}_d+b.$$

将所有特征放到向量$\mathbf{x}\in {\mathbb{R}}^d$中，并将所有权重放到向量$\mathbf{w}\in {\mathbb{R}}^d$中，我们可以用点积形式来简洁地表达模型：

$$\hat{y}={\mathbf{w}}^{\top }\mathbf{x}+b.$$
向量$\mathbf{x}$对应于单个数据样本的特征。
用符号表示的矩阵$\mathbf{X}\in {\mathbb{R}}^{n\times d}$
可以很方便地引用我们整个数据集的$n$个样本。
其中，$\mathbf{X}$的每一行是一个样本，每一列是一种特征。

对于特征集合$\mathbf{X}$，预测值$\hat{\mathbf{y}}\in {\mathbb{R}}^n$
可以通过矩阵-向量乘法表示为：

$$\hat{\mathbf{y}}=\mathbf{X}\mathbf{w}+b$$

这个过程中的求和将使用广播机制。

给定训练数据特征$\mathbf{X}$和对应的已知标签$\mathbf{y}$，线性回归的目标是找到一组权重向量$\mathbf{w}$和偏置$b$
当给定从$\mathbf{X}$的同分布中取样的新样本特征时，这组权重向量和偏置能够使得新样本预测标签的误差尽可能小。
虽然我们相信给定$\mathbf{x}$预测$y$的最佳模型会是线性的，但我们很难找到一个有$n$个样本的真实数据集，其中对于所有的$1\le i\le n$，$y^{(i)}$完全等于${\mathbf{w}}^{\top }{\mathbf{x}}^{(i)}+b$。
无论我们使用什么手段来观察特征$\mathbf{X}$和标签$\mathbf{y}$，
都可能会出现少量的观测误差。
因此，即使确信特征与标签的潜在关系是线性的，我们也会加入一个噪声项来考虑观测误差带来的影响。

在开始寻找最好的模型参数（model parameters）$\mathbf{w}$和$b$之前，
我们还需要两个东西：
（1）一种模型质量的度量方式；
（2）一种能够更新模型以提高模型预测质量的方法。

1.1.2 损失函数

在我们开始考虑如何用模型拟合（fit）数据之前，我们需要确定一个拟合程度的度量。
损失函数（loss function）能够量化目标的实际值与预测值之间的差距。
通常我们会选择非负数作为损失，且数值越小表示损失越小，完美预测时的损失为0。
回归问题中最常用的损失函数是平方误差函数。
当样本$i$的预测值为${\hat{y}}^{(i)}$，其相应的真实标签为$y^{(i)}$时，
平方误差可以定义为以下公式：

$$l^{(i)}(\mathbf{w},b)=\frac{1}{2}{\left({\hat{y}}^{(i)}-y^{(i)}\right)}^2.$$

常数$\frac{1}{2}$不会带来本质的差别，但这样在形式上稍微简单一些
（因为当我们对损失函数求导后常数系数为1）。
由于训练数据集并不受我们控制，所以经验误差只是关于模型参数的函数。
为了进一步说明，来看下面的例子。
我们为一维情况下的回归问题绘制图像，如图所示。

由于平方误差函数中的二次方项，估计值${\hat{y}}^{(i)}$和观测值$y^{(i)}$之间较大的差异将导致更大的损失。
为了度量模型在整个数据集上的质量，我们需计算在训练集$n$个样本上的损失均值（也等价于求和）。

$$L(\mathbf{w},b)=\frac{1}{n}\sum _{i=1}^n{l}^{(i)}(\mathbf{w},b)=\frac{1}{n}\sum _{i=1}^n\frac{1}{2}{\left({\mathbf{w}}^{\top }{\mathbf{x}}^{(i)}+b-y^{(i)}\right)}^2.$$

在训练模型时，我们希望寻找一组参数（${\mathbf{w}}^{\ast },b^{\ast }$），这组参数能最小化在所有训练样本上的总损失。如下式：

$${\mathbf{w}}^{\ast },b^{\ast }=*{argmin}_{\mathbf{w},b}L(\mathbf{w},b).$$

1.1.3 解析解

线性回归刚好是一个很简单的优化问题。
与我们将在本书中所讲到的其他大部分模型不同，线性回归的解可以用一个公式简单地表达出来，这类解叫作解析解（analytical solution）。
首先，我们将偏置$b$合并到参数$\mathbf{w}$中，合并方法是在包含所有参数的矩阵中附加一列。
我们的预测问题是最小化$\Vert \mathbf{y}-\mathbf{X}\mathbf{w}{\Vert }^2$。
这在损失平面上只有一个临界点，这个临界点对应于整个区域的损失极小点。
将损失关于$\mathbf{w}$的导数设为0，得到解析解：

$${\mathbf{w}}^{\ast }=({\mathbf{X}}^{\top }\mathbf{X}{)}^{-1}{\mathbf{X}}^{\top }\mathbf{y}.$$

像线性回归这样的简单问题存在解析解，但并不是所有的问题都存在解析解。
解析解可以进行很好的数学分析，但解析解对问题的限制很严格，导致它无法广泛应用在深度学习里。

1.1.4 随机梯度下降

即使在我们无法得到解析解的情况下，我们仍然可以有效地训练模型。
在许多任务上，那些难以优化的模型效果要更好。
因此，弄清楚如何训练这些难以优化的模型是非常重要的。

这里我们用到一种名为梯度下降（gradient descent）的方法，
这种方法几乎可以优化所有深度学习模型。
它通过不断地在损失函数递减的方向上更新参数来降低误差。

梯度下降最简单的用法是计算损失函数（数据集中所有样本的损失均值）关于模型参数的导数（在这里也可以称为梯度）。
但实际中的执行可能会非常慢：因为在每一次更新参数之前，我们必须遍历整个数据集。
因此，我们通常会在每次需要计算更新的时候随机抽取一小批样本，这种变体叫做小批量随机梯度下降（minibatch stochastic gradient descent）。

在每次迭代中，我们首先随机抽样一个小批量$\mathcal{B}$，它是由固定数量的训练样本组成的。
然后，我们计算小批量的平均损失关于模型参数的导数（也可以称为梯度）。
最后，我们将梯度乘以一个预先确定的正数$\eta$，并从当前参数的值中减掉。

我们用下面的数学公式来表示这一更新过程（$\partial$表示偏导数）：

$$(\mathbf{w},b)\leftarrow (\mathbf{w},b)-\frac{\eta }{|\mathcal{B}|}\sum _{i\in \mathcal{B}}{\partial }_{(\mathbf{w},b)}{l}^{(i)}(\mathbf{w},b).$$

总结一下，算法的步骤如下：
（1）初始化模型参数的值，如随机初始化；
（2）从数据集中随机抽取小批量样本且在负梯度的方向上更新参数，并不断迭代这一步骤。
对于平方损失和仿射变换，我们可以明确地写成如下形式:

$$\begin{array}{rl}\mathbf{w}& \leftarrow \mathbf{w}-\frac{\eta }{|\mathcal{B}|}\sum _{i\in \mathcal{B}}{\partial }_{\mathbf{w}}{l}^{(i)}(\mathbf{w},b)=\mathbf{w}-\frac{\eta }{|\mathcal{B}|}\sum _{i\in \mathcal{B}}{\mathbf{x}}^{(i)}\left({\mathbf{w}}^{\top }{\mathbf{x}}^{(i)}+b-y^{(i)}\right),\\ b& \leftarrow b-\frac{\eta }{|\mathcal{B}|}\sum _{i\in \mathcal{B}}{\partial }_b{l}^{(i)}(\mathbf{w},b)=b-\frac{\eta }{|\mathcal{B}|}\sum _{i\in \mathcal{B}}\left({\mathbf{w}}^{\top }{\mathbf{x}}^{(i)}+b-y^{(i)}\right).\end{array}$$
公式中的变量都是向量。
在这里，更优雅的向量表示法比系数表示法（如$w_1,w_2,\dots ,w_d$）更具可读性。

• $|\mathcal{B}|$表示每个小批量中的样本数，这也称为批量大小（batch size）
• $\eta$表示学习率（learning rate）

批量大小和学习率的值通常是手动预先指定，而不是通过模型训练得到的。
这些可以调整但不在训练过程中更新的参数称为超参数（hyperparameter）。
调参（hyperparameter tuning）是选择超参数的过程。
超参数通常是我们根据训练迭代结果来调整的，而训练迭代结果是在独立的验证数据集（validation dataset）上评估得到的。

在训练了预先确定的若干迭代次数后（或者直到满足某些其他停止条件后），我们记录下模型参数的估计值，表示为$\hat{\mathbf{w}},\hat{b}$。
但是，即使我们的函数确实是线性的且无噪声，这些估计值也不会使损失函数真正地达到最小值。
因为算法会使得损失向最小值缓慢收敛，但却不能在有限的步数内非常精确地达到最小值。

线性回归恰好是一个在整个域中只有一个最小值的学习问题。
但是对于像深度神经网络这样复杂的模型来说，损失平面上通常包含多个最小值。
深度学习实践者很少会去花费大力气寻找这样一组参数，使得在训练集上的损失达到最小。
事实上，更难做到的是找到一组参数，这组参数能够在我们从未见过的数据上实现较低的损失，这一挑战被称为泛化（generalization）。

1.1.5 用模型进行预测

给定“已学习”的线性回归模型${\hat{\mathbf{w}}}^{\top }\mathbf{x}+\hat{b}$，现在我们可以通过房屋面积$x_1$和房龄$x_2$来估计一个（未包含在训练数据中的）新房屋价格。
给定特征估计目标的过程通常称为预测（prediction）或推断（inference）。
在统计学中，推断更多地表示基于数据集估计参数。

1.2 矢量化加速

在训练我们的模型时，我们经常希望能够同时处理整个小批量的样本。
为了实现这一点，需要(我们对计算进行矢量化，从而利用线性代数库，而不是在Python中编写开销高昂的for循环)。

%matplotlib inline
import math
import time
import numpy as np
import torch
import d2l

为了说明矢量化为什么如此重要，我们考虑(对向量相加的两种方法)。我们实例化两个全为1的10000维向量。

• 在一种方法中，我们将使用Python的for循环遍历向量
• 在另一种方法中，我们将依赖对+的调用

【自定义计时器】

class Timer:  #@save
    """记录多次运行时间。"""
    def __init__(self):
        self.times = []
        self.start()

    def start(self):
        """启动计时器。"""
        self.tik = time.time()

    def stop(self):
        """停止计时器并将时间记录在列表中。"""
        self.times.append(time.time() - self.tik)
        return self.times[-1]

    def avg(self):
        """返回平均时间。"""
        return sum(self.times) / len(self.times)

    def sum(self):
        """返回时间总和。"""
        return sum(self.times)

    def cumsum(self):
        """返回累计时间。"""
        return np.array(self.times).cumsum().tolist()

[我们使用for循环，每次执行一位的加法]

c = torch.zeros(n)
timer = Timer()
for i in range(n):
    c[i] = a[i] + b[i]
f'{timer.stop():.5f} sec'

'0.07785 sec'

(或者，我们使用重载的+运算符来计算按元素的和)

timer.start()
d = a + b
f'{timer.stop():.5f} sec'

'0.00000 sec'

结果很明显，第二种方法比第一种方法快得多。
矢量化代码通常会带来数量级的加速。
另外，我们将更多的数学运算放到库中，而无须自己编写那么多的计算，从而减少了出错的可能性。

1.3 正态分布与平方损失

接下来，我们通过对噪声分布的假设来解读平方损失目标函数。

正态分布和线性回归之间的关系很密切。
正态分布（normal distribution），也称为高斯分布（Gaussian distribution），最早由德国数学家高斯（Gauss）应用于天文学研究。
简单的说，若随机变量$x$具有均值$\mu$和方差${\sigma }^2$（标准差$\sigma$），其正态分布概率密度函数如下：

$$p(x)=\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp \left(-\frac{1}{2{\sigma }^2}(x-\mu {)}^2\right).$$

下面[我们定义一个Python函数来计算正态分布]。

def normal(x, mu, sigma):
    p = 1 / math.sqrt(2 * math.pi * sigma**2)
    return p * np.exp(-0.5 / sigma**2 * (x - mu)**2)

[可视化概率分布函数]

# 再次使用numpy进行可视化
x = np.arange(-7, 7, 0.01)

# 均值和标准差对
params = [(0, 1), (0, 2), (3, 1)]
d2l.plot(x, [normal(x, mu, sigma) for mu, sigma in params], xlabel='x',
         ylabel='p(x)', figsize=(4.5, 2.5),
         legend=[f'mean {mu}, std {sigma}' for mu, sigma in params])

就像我们所看到的，改变均值会产生沿$x$轴的偏移，增加方差将会分散分布、降低其峰值。

均方误差损失函数（简称均方损失）可以用于线性回归的一个原因是：
我们假设了观测中包含噪声，其中噪声服从正态分布。
噪声正态分布如下式:

$$y={\mathbf{w}}^{\top }\mathbf{x}+b+ϵ,$$

其中，$ϵ\sim \mathcal{N}(0,{\sigma }^2)$。

具体推导过程

因此，我们现在可以写出通过给定的$\mathbf{x}$观测到特定$y$的似然（likelihood）：

$$P(y\mid \mathbf{x})=\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp \left(-\frac{1}{2{\sigma }^2}(y-{\mathbf{w}}^{\top }\mathbf{x}-b{)}^2\right).$$

现在，根据极大似然估计法，参数$\mathbf{w}$和$b$的最优值是使整个数据集的似然最大的值：

$$P(\mathbf{y}\mid \mathbf{X})=\prod _{i=1}^{n}p(y^{(i)}|{\mathbf{x}}^{(i)}).$$

根据极大似然估计法选择的估计量称为极大似然估计量。
虽然使许多指数函数的乘积最大化看起来很困难，但是我们可以在不改变目标的前提下，通过最大化似然对数来简化。
由于历史原因，优化通常是说最小化而不是最大化。
我们可以改为最小化负对数似然$-\log P(\mathbf{y}\mid \mathbf{X})$。
由此可以得到的数学公式是：

$$-\log P(\mathbf{y}\mid \mathbf{X})=\sum _{i=1}^n\frac{1}{2}\log (2\pi {\sigma }^2)+\frac{1}{2{\sigma }^2}{\left(y^{(i)}-{\mathbf{w}}^{\top }{\mathbf{x}}^{(i)}-b\right)}^2.$$

现在我们只需要假设$\sigma$是某个固定常数就可以忽略第一项，因为第一项不依赖于$\mathbf{w}$和$b$。
现在第二项除了常数$\frac{1}{{\sigma }^2}$外，其余部分和前面介绍的均方误差是一样的。
幸运的是，上面式子的解并不依赖于$\sigma$。
因此，在高斯噪声的假设下，最小化均方误差等价于对线性模型的极大似然估计。

1.4 从线性回归到深度网络

到目前为止，我们只谈论了线性模型。
尽管神经网络涵盖了更多更为丰富的模型，我们依然可以用描述神经网络的方式来描述线性模型，从而把线性模型看作一个神经网络。
首先，我们用“层”符号来重写这个模型。

1.4.1 神经网络图

深度学习从业者喜欢绘制图表来可视化模型中正在发生的事情。
在下图中，我们将线性回归模型描述为一个神经网络。
需要注意的是，该图只显示连接模式，即只显示每个输入如何连接到输出，隐去了权重和偏置的值。

所示的神经网络中，输入为$x_1,\dots ,x_d$，因此输入层中的输入数（或称为特征维度，feature dimensionality）为$d$。网络的输出为$o_1$，因此输出层中的输出数是1。
需要注意的是，输入值都是已经给定的，并且只有一个计算神经元。
由于模型重点在发生计算的地方，所以通常我们在计算层数时不考虑输入层。
也就是说，图中神经网络的层数为1。
我们可以将线性回归模型视为仅由单个人工神经元组成的神经网络，或称为单层神经网络。

对于线性回归，每个输入都与每个输出（在本例中只有一个输出）相连，
我们将这种变换（图中的输出层）称为全连接层（fully-connected layer）或称为稠密层（dense layer）。

1.4.2 生物学

线性回归发明的时间（1795年）早于计算神经科学，所以将线性回归描述为神经网络似乎不合适。
当控制学家、神经生物学家沃伦·麦库洛奇和沃尔特·皮茨开始开发人工神经元模型时，
他们为什么将线性模型作为一个起点呢？
我们来看一张图片：
这是一张由树突（dendrites，输入终端）、细胞核（nucleu，CPU）组成的生物神经元图片。
轴突（axon，输出线）和轴突端子（axon terminal，输出端子）通过突触（synapse）与其他神经元连接。

树突中接收到来自其他神经元（或视网膜等环境传感器）的信息$x_i$。
该信息通过突触权重$w_i$来加权，以确定输入的影响（即，通过$x_i{w}_i$相乘来激活或抑制）。
来自多个源的加权输入以加权和$y={\sum }_i{x}_i{w}_i+b$的形式汇聚在细胞核中，
然后将这些信息发送到轴突$y$中进一步处理，通常会通过$\sigma (y)$进行一些非线性处理。
之后，它要么到达目的地（例如肌肉），要么通过树突进入另一个神经元。

当然，许多这样的单元可以通过正确连接和正确的学习算法拼凑在一起，
从而产生的行为会比单独一个神经元所产生的行为更有趣、更复杂，
这种想法归功于我们对真实生物神经系统的研究。

当今大多数深度学习的研究几乎没有直接从神经科学中获得灵感。
我们援引斯图尔特·罗素和彼得·诺维格谁，在他们的经典人工智能教科书
Artificial Intelligence:A Modern Approach 中所说：虽然飞机可能受到鸟类的启发，但几个世纪以来，鸟类学并不是航空创新的主要驱动力。
同样地，如今在深度学习中的灵感同样或更多地来自数学、统计学和计算机科学。

1.5 小结

• 机器学习模型中的关键要素是训练数据、损失函数、优化算法，还有模型本身。
• 矢量化使数学表达上更简洁，同时运行的更快。
• 最小化目标函数和执行极大似然估计等价。
• 线性回归模型也是一个简单的神经网络。

1.6 思考题及其解答

练习

• 假设我们有一些数据$x_1,\dots ,x_n\in \mathbb{R}$。我们的目标是找到一个常数$b$，使得最小化${\sum }_i(x_i-b{)}^2$。
  1. 找到最优值$b$的解析解。
  2. 这个问题及其解与正态分布有什么关系?
• 推导出使用平方误差的线性回归优化问题的解析解。为了简化问题，可以忽略偏置$b$（我们可以通过向$\mathbf{X}$添加所有值为1的一列来做到这一点）。
  1. 用矩阵和向量表示法写出优化问题（将所有数据视为单个矩阵，将所有目标值视为单个向量）。
  2. 计算损失对$w$的梯度。
  3. 通过将梯度设为0、求解矩阵方程来找到解析解。
  4. 什么时候可能比使用随机梯度下降更好？这种方法何时会失效？
• 假定控制附加噪声$ϵ$的噪声模型是指数分布。也就是说，$p(ϵ)=\frac{1}{2}\exp (-|ϵ|)$
  1. 写出模型$-\log P(\mathbf{y}\mid \mathbf{X})$下数据的负对数似然。
  2. 你能写出解析解吗？
  3. 提出一种随机梯度下降算法来解决这个问题。哪里可能出错？（提示：当我们不断更新参数时，在驻点附近会发生什么情况）你能解决这个问题吗？
     

2. 基础优化方法

2.1 梯度下降

• 挑选一个初始值$w_0$

• 重复迭代参数t=1,2,3

  $w_t$=$w_{t-1}-\eta$$\frac{\partial l}{\partial w_{t-1}}$

• 沿梯度方向将增加损失函数值

• 学习率$\eta$：步长的超参数
  

2.2 选择学习率

2.3 小批量随机梯度下降

2.4 总结

3. 线性回归从零开始实现

3.1 生成数据集

[根据带有噪声的线性模型构造一个人造数据集。]
生成一个包含1000个样本的数据集，
每个样本包含从标准正态分布中采样的2个特征。合成数据集是一个矩阵$\mathbf{X}\in {\mathbb{R}}^{1000\times 2}$。

(**我们使用线性模型参数$\mathbf{w}=[2,-3.4{]}^{\top }$、$b=4.2$和噪声项$ϵ$生成数据集及其标签：
$$\mathbf{y}=\mathbf{X}\mathbf{w}+b+ϵ.$$
**)

将$ϵ$视为模型预测和标签时的潜在观测误差。在这里我们认为标准假设成立，即$ϵ$服从均值为0的正态分布。为了简化问题，我们将标准差设为0.01。

%matplotlib inline
import random
import torch
import d2l
def synthetic_data(w, b, num_examples):  
    """生成 y = Xw + b + 噪声。"""
    X = torch.normal(0, 1, (num_examples, len(w)))#生成一个均值为0，方差为1的正态随机数矩阵，矩阵的维度为样本数×特征个数
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)#加入一个随机噪音
    return X, y.reshape((-1, 1))
    true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
print('features:', features[0],'\nlabel:', labels[0])
#features中的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）

features: tensor([-1.3686,  1.0361]) 
label: tensor([-2.0784])

feature中每个变量和label的关系均为线性

d2l.set_figsize()
d2l.plt.scatter(features[:, (0)].detach().numpy(), labels.detach().numpy(), s=1);#在pytorch的某些版本中需要将变量从计算图中detach出来才能转换成numpy
d2l.plt.scatter(features[:, (1)].detach().numpy(), labels.detach().numpy(), s=1);

3.2 读取数据集

[定义一个data_iter函数，该函数接收批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量，每个小批量包含一组特征和标签]。

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]

3.3 初始化模型参数

[在我们开始用小批量随机梯度下降优化我们的模型参数之前]，
(我们需要先有一些参数)。
在下面的代码中，我们通过从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重，
并将偏置初始化为0。

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

3.4 定义模型

[定义模型，将模型的输入和参数同模型的输出关联起来。]

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

3.4.1 定义损失函数

因为需要计算损失函数的梯度，所以我们应该先定义损失函数，这里我们使用平方损失函数。

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

3.4.2 定义优化算法（小批量随机梯度下降）

在每一步中，使用从数据集中随机抽取的一个小批量，然后根据参数计算损失的梯度。
接下来，朝着减少损失的方向更新我们的参数。
该函数接受模型参数集合、学习速率和批量大小作为输入。每一步更新的大小由学习速率lr决定。
因为我们计算的损失是一个批量样本的总和，所以我们用批量大小（batch_size）来规范化步长，这样步长大小就不会取决于我们对批量大小的选择。

def sgd(params, lr, batch_size):  
    """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_()#每次迭代都要将梯度清零

3.5 训练

[训练过程]
在每次迭代中，我们读取一小批量训练样本，并通过我们的模型来获得一组预测。
计算完损失后，我们开始反向传播，存储每个参数的梯度。
最后，我们调用优化算法sgd来更新模型参数。

概括一下，我们将执行以下循环：

• 初始化参数
• 重复以下训练，直到完成
  • 计算梯度$\mathbf{g}\leftarrow {\partial }_{(\mathbf{w},b)}\frac{1}{|\mathcal{B}|}{\sum }_{i\in \mathcal{B}}l({\mathbf{x}}^{(i)},y^{(i)},\mathbf{w},b)$
  • 更新参数$(\mathbf{w},b)\leftarrow (\mathbf{w},b)-\eta \mathbf{g}$

在每个迭代周期（epoch）中，我们使用data_iter函数遍历整个数据集，并将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，分别设为3和0.03。
设置超参数很棘手，需要通过反复试验进行调整。

lr = 0.03#学习率
num_epochs = 3#迭代次数
net = linreg#使用线性回归模型
loss = squared_loss#采用均方误差
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 1, loss 0.046312
epoch 2, loss 0.000188
epoch 3, loss 0.000051

因为我们使用的是自己合成的数据集，所以我们知道真正的参数是什么。
因此，我们可以通过[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]。
事实上，真实参数和通过训练学到的参数确实非常接近。

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}')

w的估计误差: tensor([0.0002, 0.0001], grad_fn=<SubBackward0>)
b的估计误差: tensor([-0.0002], grad_fn=<RsubBackward1>)

在机器学习中，我们通常不太关心恢复真正的参数，而更关心如何高度准确预测参数。
幸运的是，即使是在复杂的优化问题上，随机梯度下降通常也能找到非常好的解。
其中一个原因是，在深度网络中存在许多参数组合能够实现高度精确的预测。

3.6 小结

• 我们学习了深度网络是如何实现和优化的。在这一过程中只使用张量和自动微分，不需要定义层或复杂的优化器。
• 这一节只触及到了表面知识。在下面的部分中，我们将基于刚刚介绍的概念描述其他模型，并学习如何更简洁地实现其他模型。

3.7 思考题及解答

1. 如果我们将权重初始化为零，会发生什么。算法仍然有效吗？

答：无隐藏层时权重可以初始化为0 ，但是后续如果有隐藏层权重初始化为0会导致训练过程中所有隐藏层权重都是相等的。详细内容见：谈谈神经网络权重为什么不能初始化为0

2. 假设你是乔治·西蒙·欧姆，试图为电压和电流的关系建立一个模型。你能使用自动微分来学习模型的参数吗?

import random
import torch
#生成数据
def synthetic_data_Ohm(true_R, num):  
    """U=IR + 噪声。"""
    I = torch.rand(num,1)#生成电流值，物理意义均为正，在此用(0,1)均匀分布
    U = torch.matmul(I, true_R)#U=IR,广播机制
    U += torch.normal(0, 0.1, U.shape)
    return I,U
#读取数据
def data_iter(batch_size, I, U):# 载入数据集，分成batch
    num = len(I)
    indices = list(range(num))# 创建整个数据集的索引
    random.shuffle(indices) # 打乱索引，便于随机抽取batch
    for i in range(0, num, batch_size):
        batch_indices = torch.tensor(indices[i: min(i + batch_size, num)])
        yield I[batch_indices], U[batch_indices]#用yield不用return便于训练时的迭代
#定义模型
def model_for_Ohm(I,R): # 欧姆定律模型
    return torch.matmul(I, R)
#定义损失函数
# def loss_for_Ohm(predicted_U, U): # 采用的是交叉熵
#     return 0.5/len(U)*(predicted_U - U).norm()
def loss_for_Ohm(y_hat, y):
    """均方损失。"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2


#定义优化算法
def sgd(params, lr,batch_size):   #小批量随机梯度下降。
    with torch.no_grad():#优化算法更新参数不能算在计算图中，所以先声明一下
        for param in params:
            param -= lr * param.grad /batch_size
            param.grad.zero_()#每次迭代都要将梯度清零
if __name__ == "__main__":
    #生成数据
    true_R = torch.tensor([3.5])
    I, U = synthetic_data_Ohm(true_R, 1000)
    #初始化模型参数        
    R = torch.normal(0, 0.01, size = true_R.shape, requires_grad = True)
    #开始训练
    batch_size = 30
    lr = 0.1
    num_epochs = 10
    net = model_for_Ohm
    loss = loss_for_Ohm
    for epoch in range(num_epochs):
        for i, u in data_iter(batch_size, I, U):
            l = loss(net(i, R), u)  
            l.sum().backward()#反向传播计算梯度
            sgd([R], lr, batch_size)  #梯度下降优化
        with torch.no_grad():#计算epochloss时，只是检验一下，不需要算在计算图里
            train_l = loss(net(I, R), U)
        print(f'train loss for epoch {epoch} is {train_l.mean()} \n')
print('实际的电阻值 = ', true_R, '\n', '训练学习到的电阻值 = ', R)

train loss for epoch 0 is 0.22325269877910614 

train loss for epoch 1 is 0.02835436537861824 

train loss for epoch 2 is 0.007398840971291065 

train loss for epoch 3 is 0.005151285789906979 

train loss for epoch 4 is 0.00489839306101203 

train loss for epoch 5 is 0.004865396302193403 

train loss for epoch 6 is 0.004861971363425255 

train loss for epoch 7 is 0.004862657748162746 

train loss for epoch 8 is 0.004861508961766958 

train loss for epoch 9 is 0.004861524328589439 

实际的电阻值 =  tensor([3.5000]) 
 训练学习到的电阻值 =  tensor([3.4986], requires_grad=True)

3. 如果你想计算二阶导数可能会遇到什么问题？你会如何解决这些问题？
   计算量特别大，我会用近似算法来计算二阶导数，例如使用拟牛顿方法替代牛顿法。

4. 为什么在squared_loss函数中需要使用reshape函数？

答：y_hat的形状是（n,1）是二维的tensor，而yy的形状是（n,）是一维的tensor。如果不使用reshape函数，二者相减y_hat - y会引发tensor的广播机制，得到形状是（n,n）的结果，不符合我们的需求。我们想要的损失形状是（n,1），所以必须要使用reshape函数（y.reshape(y_hat.shape)）把y从一维（n，）变为二维（n,1）。

6. 如果样本个数不能被批量大小整除，data_iter函数的行为会有什么变化？

答：如果样本个数不能被整除，在epoch中的最后一个Batch的样本个数不到batchsize

4.线性回归的简洁实现

在过去的几年里，出于对深度学习强烈的兴趣，许多公司、学者和业余爱好者开发了各种成熟的开源框架。这些框架可以自动化基于梯度的学习算法中重复性的工作。
在 上一部分中，我们只运用了：
（1）通过张量来进行数据存储和线性代数；
（2）通过自动微分来计算梯度。
(通过使用深度学习框架来简洁地实现线性回归模型)

4.1 生成数据集

import numpy as np
import torch
from torch.utils import data#引入处理数据的模块
import d2l
#人工生成数据
def synthetic_data(w, b, num_examples):  
    """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)#加入一个随机噪音
    return X, y.reshape((-1, 1))
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)

4.2 读取数据集

我们可以[调用框架中现有的API来读取数据]。
我们将features和labels作为API的参数传递，并通过数据迭代器指定batch_size。
此外，布尔值is_train表示是否希望数据迭代器对象在每个迭代周期内打乱数据。

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)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

4.3 定义模型

当我们在上节中实现线性回归时，我们明确定义了模型参数变量，并编写了计算的代码，这样通过基本的线性代数运算得到输出。
但是，如果模型变得更加复杂，且当你几乎每天都需要实现模型时，你会想简化这个过程。
这种情况类似于为自己的博客从零开始编写网页。
做一两次是有益的，但如果每个新博客你就花一个月的时间重新开始编写网页，那并不高效。
对于标准深度学习模型，我们可以[使用框架的预定义好的层]。这使我们只需关注使用哪些层来构造模型，而不必关注层的实现细节。
我们首先定义一个模型变量net，它是一个Sequential类的实例。Sequential类将多个层串联在一起。当给定输入数据时，Sequential实例将数据传入到第一层，然后将第一层的输出作为第二层的输入，以此类推。
在下面的例子中，我们的模型只包含一个层，因此实际上不需要Sequential。
但是由于以后几乎所有的模型都是多层的，在这里使用Sequential会让你熟悉“标准的流水线”。

回顾 1.4.1中的单层网络架构，这一单层被称为全连接层（fully-connected layer），因为它的每一个输入都通过矩阵-向量乘法得到它的每个输出。

在PyTorch中，全连接层在Linear类中定义。
值得注意的是，我们将两个参数传递到nn.Linear中。
第一个指定输入特征形状，即2，第二个指定输出特征形状，输出特征形状为单个标量，因此为1。

from torch import nn# `nn` 是神经网络的缩写
net = nn.Sequential(nn.Linear(2, 1))#输入维度为2，输出维度为1，放在Sequential容器里面
#Sequential是一个有序的容器，神经网络模块将按照传入构造器的顺序依次被添加到计算图中执行
#同时以神经网络模块为元素的有序字典也可以作为传入参数。

4.3.1 初始化模型参数

在使用net之前，我们需要初始化模型参数。
如在线性回归模型中的权重和偏置。
深度学习框架通常有预定义的方法来初始化参数。
在这里，我们指定每个权重参数应该从均值为0、标准差为0.01的正态分布中随机采样，偏置参数将初始化为零。

正如我们在构造nn.Linear时指定输入和输出尺寸一样，现在我们能直接访问参数以设定它们的初始值。
我们通过net[0]选择网络中的第一个图层，然后使用weight.data和bias.data方法访问参数。
我们还可以使用替换方法normal_和fill_来重写参数值。

net[0].weight.data.normal_(0, 0.01)#使用正态分布替换data的值
net[0].bias.data.fill_(0)#将偏差设置为0

tensor([0.])

4.3.2 定义损失函数

[计算均方误差使用的是MSELoss类，也称为平方$L_2$范数]。
默认情况下，它返回所有样本损失的平均值。

loss = nn.MSELoss()

4.3.3 定义优化算法

小批量随机梯度下降算法是一种优化神经网络的标准工具，
PyTorch在optim模块中实现了该算法的许多变种。
当我们(实例化一个SGD实例)时，我们要指定优化的参数（可通过net.parameters()从我们的模型中获得）以及优化算法所需的超参数字典。
小批量随机梯度下降只需要设置lr值，这里设置为0.03。

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

4.4 训练

通过深度学习框架的高级API来实现我们的模型只需要相对较少的代码。
我们不必单独分配参数、不必定义我们的损失函数，也不必手动实现小批量随机梯度下降。
当我们需要更复杂的模型时，高级API的优势将大大增加。
当我们有了所有的基本组件，[训练过程代码与我们从零开始实现时所做的非常相似]。

回顾一下：在每个迭代周期里，我们将完整遍历一次数据集（train_data），
不停地从中获取一个小批量的输入和相应的标签。
对于每一个小批量，我们会进行以下步骤:

• 通过调用net(X)生成预测并计算损失l（前向传播）。
• 通过进行反向传播来计算梯度。
• 通过调用优化器来更新模型参数。

为了更好的衡量训练效果，我们计算每个迭代周期后的损失，并打印它来监控训练过程。

num_epochs = 3 #设置迭代次数 
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X) ,y)#预测值和真实值
        trainer.zero_grad()#将梯度清零
        l.backward()#通过进行反向传播来计算梯度
        trainer.step()#进行模型的更新
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

epoch 1, loss 0.000322
epoch 2, loss 0.000095
epoch 3, loss 0.000097

下面我们[比较生成数据集的真实参数和通过有限数据训练获得的模型参数]。
要访问参数，我们首先从net访问所需的层，然后读取该层的权重和偏置。
正如在从零开始实现中一样，我们估计得到的参数与生成数据的真实参数非常接近。

w = net[0].weight.data
print('w的估计误差：', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差：', true_b - b)

w的估计误差： tensor([-1.3533e-03, -2.1935e-05])
b的估计误差： tensor([-0.0015])

4.5 小结

• 我们可以使用PyTorch的高级API更简洁地实现模型。
• 在PyTorch中，data模块提供了数据处理工具，nn模块定义了大量的神经网络层和常见损失函数。
• 我们可以通过_结尾的方法将参数替换，从而初始化参数。

答：应该把学习率除以batch_size，因为默认参数是’mean’，换成’sum’需要除以批量数，一般会采用默认，因为这样学习率可以跟batch_size

4.6 思考题及其解答

1. 如果我们用nn.MSELoss(reduction='sum')替换nn.MSELoss()，为了使代码的行为相同，需要怎么更改学习速率？为什么？

答：应该把学习率除以batch_size，因为默认参数是’mean’，换成’sum’需要除以批量数，一般会采用默认，因为这样学习率可以跟batch_size解耦

2. 查看PyTorch文档，了解其提供了哪些损失函数和初始化方法。用Huber损失代替原损失。

PyTorch文档
PyTorch中的损失函数大致使用场景

损失函数	名称	适用场景
torch.nn.L1Loss()	平均绝对值误差损失	回归/简单的模型
torch.nn.MSELoss()	均方误差损失	回归/数值特征不大/问题维度不高
torch.nn.SmoothL1Loss()	平滑的L1损失	回归/当特征中有较大的数值/适合大多数问题
torch.nn.CrossEntropyLoss()	交叉熵损失	多分类
torch.nn.NLLLoss()	负对数似然函数损失	多分类
torch.nn.BCELoss()	二分类交叉熵损失	二分类
torch.nn.NLLLoss2d()	图片负对数似然函数损失	图像分割
torch.nn.KLDivLoss()	KL散度损失	回归
torch.nn.MarginRankingLoss()	评价相似度的损失	计算两个向量之间的相似度
torch.nn.MultiLabelMarginLoss()	多标签分类的损失	多标签分类
torch.nn.SoftMarginLoss()	多标签二分类问题的损失	多标签二分类

3. 你如何访问net[0].weight的梯度？

print(net[0].weight.grad)