使用深度学习框架来简洁实现线性回归模型
💻 参考资料:李沐《动手学深度学习-Pytorch版》📢ch3 线性神经网络
🎈 开源地址:动手学深度学习
🔊 链接至上一节:3.2 线性回归的从零开始实现
🎀 此篇仅仅学习记录,更详细的内容可参考开源的书和代码以及b站上李沐老师的视频动手学深度学习在线课程。
文章目录
1. 线性回归的简洁实现
1.0 导入Python包
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
1.1 生成数据集
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)
此处synthetic_data
可以参考3.2节线性回归的从零开始实现。
1.2 读取数据集
通过调用框架中现有的API来读取数据。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。如果is_train
为True
,则在每个时期之间对数据进行洗牌,以创建每个时期的不同批次。如果is_train
为False
,则数据将不会被洗牌,允许对模型进行一致的评估。
# 使用PyTorch库创建数据迭代器的Python函数
# 该函数从输入数据数组创建了一个PyTorch TensorDataset对象,这是一个PyTorch数据集,用于表示张量集合。
# 然后,它从TensorDataset创建了一个DataLoader对象,这是一个PyTorch类,提供了给定数据集的可迭代对象。
# DataLoader对象由函数返回,并可用于在训练或评估机器学习模型时以批次迭代数据。
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)
# 读取并打印第一个小批量样本
batch_size = 10
data_iter = load_array((features, labels), batch_size)
# 使用iter函数构造Python迭代器,并使用next函数从迭代器中获取第一项。
next(iter(data_iter))
[tensor([[-1.2772, -2.3171],
[ 0.4303, 2.1844],
[ 0.3952, -0.2961],
[ 0.0498, -1.9889],
[ 1.1695, -0.2995],
[-0.1652, 0.8298],
[ 0.9419, 1.3811],
[-1.3571, 0.3549],
[-0.0884, -1.5891],
[ 0.9178, -0.7952]]),
tensor([[ 9.5265],
[-2.3891],
[ 5.9926],
[11.0557],
[ 7.5470],
[ 1.0323],
[ 1.3855],
[ 0.2730],
[ 9.4282],
[ 8.7383]])]
1.3 定义模型
对于标准深度学习模型,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。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。
全连接层(fully-connected layer),它的每一个输入都通过矩阵-向量乘法得到它的每个输出。
from torch import nn
# 先定义一个模型变量net,他是一个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PyTirch中,全连接层在Linear类中定义。将两个参数传递到nn.Linear中。
# 第一个参数指定输入特征形状,即2;
# 第二个参数指定输出特征形状,输出特征形状为单个标量,因此为1。
net = nn.Sequential(nn.Linear(2, 1))
1.4 初始化模型参数
在使用net
之前,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,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。
# 通过net[0]选择网络中的第一层
# 使用weight.data和bias.data方法访问参数
# 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)
net[0].bias.data.fill_(0)
tensor([0.])
1.5 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
L_2
L2范数。默认情况下,它返回所有样本损失的平均值。
loss = nn.MSELoss() # 计算均方误差,返回所有样本损失的平均值。
1.6 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。
# PyTorch在optim模块中,实例化一个SGD实例时,我们要指定优化的参数(可通过net.parameters()从模型中获得)以及优化算法所需要的超参数字典。
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
1.7 训练
在每个迭代周期里,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,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,计算每个迭代周期后的损失,并打印它来监控训练过程。
# 首先,num_epochs被设置为3,表示整个数据集将被遍历3次(即进行3个时期的训练)。
num_epochs = 3
# 然后,使用一个嵌套的循环进行训练。外部循环迭代每个时期,而内部循环迭代数据迭代器data_iter中的每个批次。
for epoch in range(num_epochs):
for X, y in data_iter:
# 在每个批次中,输入特征X和相应的标签y被提供给神经网络模型net进行前向传播,计算输出并计算损失l。
l = loss(net(X), y)
# 然后,优化器trainer的zero_grad()方法被调用以清除之前的梯度,
trainer.zero_grad()
# 然后使用backward()方法计算新梯度。
l.backward()
# 最后,trainer的step()方法被调用以更新神经网络模型的参数。
trainer.step()
# 在每个时期的最后,整个数据集(即features和labels)都被提供给神经网络模型进行前向传播并计算损失。
l = loss(net(features), labels)
print(f'epoch{epoch +1},loss{l:f}')
epoch1,loss0.000171
epoch2,loss0.000105
epoch3,loss0.000104
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。
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([-0.0008, -0.0003])
b的估计误差: tensor([0.0002])
2. 引用
引用原书:
@book{zhang2019dive,
title={Dive into Deep Learning},
author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
note={\url{http://www.d2l.ai}},
year={2020}
}
3. softmax回归
🚩🚩🚩链接至下一节:3.4 softmax回归