线性神经网络之线性回归的实现

线性神经网络之线性回归的实现

1.生成数据集

使用线性模型参数w=[2,−3.4]⊤、b=4.2和噪声项ϵ生成数据集及其标签：
$$y=Xw+b+ϵ$$
代码实现：

def synthetic_data(w, b, num_examples): #@save
    """生成y = Xw + b + 噪声。"""
    X = torch.normal(0, 1, (num_examples, len(w))) #均值为0，方差为1，n行，列数为w的长度
    y = torch.matmul(X,w) + b   #X * W + b
    y += torch.normal(0, 0.01, y.shape) #噪声C， 均值为0，方差为1，形状和y相同
    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)

2.读取数据集

定义一个函数，函数能打乱数据集中的样本并以小批量方式获取数据。

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。

具体实现：

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))  #转成python的list
    #这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices) #打乱顺序
    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] #返回feature和labels

测试：

batch_size = 5

for X, y in data_iter(batch_size, features, labels):
    print(X, '\n', y)
    break

输出结果：

tensor([[ 1.6279, -0.4273],
        [-0.1371, -0.3923],
        [-0.2569,  0.4756],
        [-1.0388,  1.2875],
        [-0.2165,  0.1080]]) 
 tensor([[ 8.8961],
        [ 5.2645],
        [ 2.0648],
        [-2.2444],
        [ 3.3931]])

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。

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。

具体实现：

w = torch.normal(0, 0.01, size=(2,1), requires_grad=True) #需要计算梯度
b = torch.zeros(1, requires_grad=True)

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  #矩阵 * 向量 + 偏差

5.定义损失函数

需要计算损失函数的梯度，所以我们应该先定义损失函数。使用平方损失函数。

在实现中，我们需要将真实值y的形状转换为和预测值y_hat的形状相同。

具体实现：

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

6.定义优化算法

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。

接下来要实现小批量随机梯度下降更新。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）来归一化步长，这样步长大小就不会取决于我们对批量大小的选择。

具体实现：

def sgd(params, lr, batch_size): #lr：学习率，
    """小批量随机梯度下降。"""
    with torch.no_grad():#更新时不需要梯度计算
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_()

7.训练

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。

具体实现：

lr = 0.03  #学习率
num_epochs = 3 #次数
net = linreg #模型
loss = squared_loss  #均方损失

for epoch in range(num_epochs):
    for X, y in data_iter(batch_size, features, labels):
        l = loss(net(X, w, b), y) #预测y和真实y做损失
        #l为向量
        l.sum().backward()#求和算梯度
        sgd([w,b], lr, batch_size) #使用参数的梯度更新
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

运行结果：

epoch 1, loss 0.000105
epoch 2, loss 0.000046
epoch 3, loss 0.000046