主要是为了保存一下线性回归的代码,
1,复杂线性回归的实现,mxnet自己实现
%matplotlib inline
from IPython import display
from matplotlib import pyplot as plt
from mxnet import autograd,nd
import random
#数据输入
num_inputs=2
num_examples=1000
true_w=[2,-3.4]
true_b=4.2
features=nd.random.normal(scale=1,shape=(num_examples,num_inputs))#相当于x,,,scale标准差,正态分布
labels=true_w[0]*features[:,0]+true_w[1]*features[:,1]+true_b#相当于 y hat
labels+=nd.random.normal(scale=0.01,shape=label.shape)
w=nd.random.normal(scale=0.01,shape=(num_inputs,1))
b=nd.zeros(shape=(1,))
w.attach_grad()
b.attach_grad()
#函数实现
#绘制散点图
def use_svg_display():
# 用矢量图显示
display.set_matplotlib_formats('svg')
def set_figsize(figsize=(3.5, 2.5)):
use_svg_display()
# 设置图的尺寸
plt.rcParams['figure.figsize'] = figsize
set_figsize()
plt.scatter(features[:, 1].asnumpy(), labels.asnumpy(), 1); # 加分号只显示图
#返回batch_size个随机变量的特征和标签
def data_iter(batch_szie,features,labels):
num_examples=len(features)
indices=list(range(num_examples))
random.shuffle(indices)#样本的读取时是随机的
for i in range(0,num_examples,batch_size):
j=nd.array(indices[i:min(i+batch_szie,num_examples)])
yield features.take(j),labels.take(j)
##线性回归的矢量表达式实现
def linreg(X,w,b):
return nd.dot(X,w)+b
##定义损失函数,但是这个损失函数不好
def squared_loss(y_hat,y):
return (y_hat-y.reshape(y_hat.shape))**2/2
#优化算法,小批量随机梯度下降算法
def sgd(params,lr,batch_size):
for param in params:
param[:]=param-lr*param.grad/batch_size
#测试样例
import d2lzh
lr=0.03#学习率
num_epochs=3#迭代周期
net=linreg
loss=squared_loss
for epoch in range(num_epochs):
for X,y in data_iter(batch_size,features,labels):
with autograd.record():
l=loss(net(X,w,b),y)
l.backward()
sgd([w,b],lr,batch_size)
train_l=loss(net(features,w,b),labels)
print('epoch %d,loss %f '%(epoch+1,train_l.mean().asnumpy()))
2,简单实现,使用gluon接口
##线性回归的简单实现,使用gluon接口
##生成数据集
from mxnet import autograd,nd
num_inputs=2
num_examples=1000
true_w=[2,-3.4]
true_b=4.2
features=nd.random.normal(scale=1,shape=(num_examples,num_inputs))
labels=true_w[0]*features[:,0]+true_w[1]*features[:,1]+true_b
labels+=nd.random.normal(scale=0.01,shape=labels.shape)
##读取数据集
from mxnet.gluon import data as gdata
batch_size=10
dataset=gdata.ArrayDataset(features,labels)##将训练数据的特征和标签结合起来
data_iter=gdata.DataLoader(dataset,batch_size,shuffle=True)##随机读取小批量
##定义模型
from mxnet.gluon import nn##nn神经网络的缩写,预定义了大量的神经网络的层
net=nn.Sequential()##相当于串联各个层的容器,我们需要在该容器中加入层数
net.add(nn.Dense(1))##在gluon中全连接层相当于是Dense实例,可规定输出个数
##初始化模型
from mxnet import init
net.initialize(init.Normal(sigma=0.01))##初始化样本为服从正态分布的均值为0,标准差为0.01
##定义损失函数
from mxnet.gluon import loss as gloss
loss=gloss.L2Loss()
##定义优化算法
from mxnet import gluon
trainer=gluon.Trainer(net.collect_params(),'sgd',{'learning_rate':0.03})
##测试样例
num_epochs = 3
for epoch in range(1, num_epochs + 1):
for X, y in data_iter:
with autograd.record():
l = loss(net(X), y)
l.backward()
trainer.step(batch_size)
l = loss(net(features), labels)
print('epoch %d, loss: %f' % (epoch, l.mean().asnumpy()))
dense=net[0]
print(true_w,dense.weight.data())