目录
前言
此文章适用于正在看李沐老师视频课程的同学,按照课程的顺序,简单的总结一下跟李沐学AI的个人空间-跟李沐学AI个人主页-哔哩哔哩视频 (bilibili.com)https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497更详细的部分可以看如下文档链接(含代码),老师写的非常全面
《动手学深度学习》 — 动手学深度学习 2.0.0 documentationhttps://zh.d2l.ai/
01-06的课程就不赘述了,就是讲了讲数组向量矩阵啥的,以及在python中的实现,所以我个人认为,需要有些数学基础和python语法基础。但我懒得学了,到时候不会再现查吧,有需要可以看上面提到的文档。
线性回归
- 线性回归:是对n维输入的加权,外加偏差
- 使用平方损失来衡量预测值和真实值的差异
- 线性回归:有显示解
- 线性回归:可以看作单层神经网络
基础优化算法
梯度下降
- 挑选一个初始值,重复迭代参数(不断沿梯度反方向更新参数)
- 沿梯度方向:将增加损失函数值
- 学习率:步长的超参数(选太小墨迹,选太大震荡)
我们最常用的是:小批量随机梯度下降,介绍如下:
- 深度学习默认求解算法
- 随机采样 b 个样本 来近似 整个样本的损失
- b:批量大小(太小不好利用,太大消耗资源)
softmax回归
回归
单连续数值输出
自然区间R
跟真实值的区别作为损失
分类
通常多个输出
输出i是预测为第i类的置信度
这儿我没看懂,所以写不出东西,不过应该问题不大
损失函数
y:真实值 y':预测值
表达了真实值和预测值之间的差距,loss要不断变小,模型训练的越来越好
主要的两种计算loss的方法
L2 Loss公式如下:
L1 Loss公式如下:
这儿也没看懂,貌似还需要链式法则和反向传播的知识
多层感知机
感知机
给定输入x,权重w,和偏移b,感知机输出:
分类效果:只能产生线性的分割面
多层感知机
- 多个感知机进行融合......
- 使用隐藏层和激活函数来得到非线性模型
- 常用激标题三活函数有sigmoid,Tanh,ReLU
- 使用softmax来处理多分类
- 超参数:每层隐藏层的大小,隐藏层数
简单实现
单隐藏层 单分类
- 输入:n维向量,隐藏层有m个,输出:单个类别
- 超参数:隐藏层的大小
单隐藏层 多分类
和单分类的区别:输出是k个,对output还要做一次softmax
多隐藏层
超参数:每层隐藏层的大小 隐藏层数
非线性激活函数
保证输出结果非线性,避免线性,如果线性,相当于没有隐藏层
sigmoid 激活函数:将输入投影到(0 , 1)
Tanh 激活函数:将输入投影到(-1 , 1)
ReLU 激活函数:将输入投影到(0 , +∞)
模型选择
- 训练误差:模型在训练数据上的误差
- 泛化误差:模型在新数据上的误差
- 训练数据集:训练模型(训练模型参数)
- 验证数据集:评估模型好坏(选择模型超参数)
- 测试数据集:只用一次
通常采用:k-则交叉验证
即:在没有足够数据时使用,将训练数据分为k块,没一块分别作为验证集,其余作为训练集
过拟合和欠拟合
模型和数据的关系
模型容量\数据 | 简单 | 复杂 |
低 | 正常 | 欠拟合 |
高 | 过拟合 | 正常 |
模型和误差的关系
权重衰退
- 权重衰退:最广泛使用的正则化技术之一,也被称为L2正则化
- 目的:对权重的数值大小进行约束(权重过大过拟合,过小效果差)
- 正则项:控制模型复杂度的超参数(抵消过拟合的方法)
+ 号左侧是loss,右侧作为惩罚项 加到最小化损失的问题中,增加 λ ,控制模型复杂度
丢弃法
- 即为dropout,将一些输出项随机置0
- 也是一种正则项,增加鲁棒性(一个好的模型需要对输入数据的扰动鲁棒)和L2正则一样都是在模型训练时使用,只会对权重产生影响
- 常作用于:多层感知机的隐藏层输出(层之间)
- 丢弃概率:控制模型复杂度的超参数
无偏差的加入噪音:
对向量的每个元素操作,每个元素都是p的概率变为0,又有 1-p 的概率变为它的 1 / (1-p),这样才能保持期望不变,即E[h′]=h
使用dropout
数值稳定性
梯度爆炸
梯度消失
权重 = 梯度 * 学习率
目标:让梯度值在合理范围内(让训练更加稳定)
方法:
- 让乘法变加法:ResNet,LSTM
- 归一化:梯度归一化,梯度裁剪
- 合理的权重初始和激活函数
这儿也没看懂,貌似还需要链式法则和反向传播的知识
实战:房价预测
来不及实战了,先欠着
pytorch
如下部分均使用python语言、pytorch模型实现,代码主要是提供样例,想直接运行还需要稍作需修改哦,比如,不要忘记导包
import torch
import torch.nn.functional as F
from torch import nn
.......
模型构造
在下方的代码中,许多地方都用到了nn.module,它是一个已经被写好的大类,常见的一些层,都是它的子类。我们只需要自定义类,继承nn.module就好了
自定义网络
此处讲述如何定义和设计模块,主要分三种方式来介绍
# ----------自定义块----------
class MLP(nn.Module):
# 定义模型参数(层)。这里,我们声明两个全连接的层
def __init__(self):
# 调用MLP的父类Module的构造函数来执行必要的初始化。
# 这样,在类实例化时也可以指定其他函数参数,例如模型参数params(稍后将介绍)
super().__init__()
self.hidden = nn.Linear(20, 256) # 隐藏层(输入20输出256)
self.out = nn.Linear(256, 10) # 输出层(输入256输出10)
# 定义模型的前向传播,即如何根据输入X返回所需的模型输出
def forward(self, X):
# 注意,这里我们使用ReLU的函数版本,其在nn.functional模块中定义。
return self.out(F.relu(self.hidden(X)))
# 实例化多层感知机,然后在每次调用正向传播函数时调用这些层
net = MLP() # 实例化类
net(X)
# ----------顺序块----------
class MySequential(nn.Module):
def __init__(self, *args):# *args:相当于把若干个参数打包传入(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
super().__init__() # 调用父类初始化函数
for idx, module in enumerate(args):
# 这里,module是Module子类的一个实例。我们把参数保存在'Module'类的成员
# 变量_modules中。_module的类型是OrderedDict
self._modules[str(idx)] = module
def forward(self, X):
# OrderedDict保证了按照成员添加的顺序遍历它们
for block in self._modules.values():
X = block(X)
return X
# 设计一个简单的单层神经网络,一个线性层,一个ReLU,一个线性层
# input维度:20,output维度:10
net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)
# ----------混合搭配各种组合块(套娃)----------
class NestMLP(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
nn.Linear(64, 32), nn.ReLU())
self.linear = nn.Linear(32, 16)
def forward(self, X):
return self.linear(self.net(X))
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)
在正向传播中执行代码,在init和forward中可以做计算
class FixedHiddenMLP(nn.Module):
def __init__(self):
super().__init__()
# 不计算梯度的随机权重参数。因此其在训练期间保持不变
self.rand_weight = torch.rand((20, 20), requires_grad=False)
self.linear = nn.Linear(20, 20)
def forward(self, X):
X = self.linear(X)
# 使用创建的常量参数以及relu和mm函数
X = F.relu(torch.mm(X, self.rand_weight) + 1)
# 复用全连接层。这相当于两个全连接层共享参数
X = self.linear(X)
# 控制流
while X.abs().sum() > 1:
X /= 2
return X.sum()
参数管理
参数的访问
定义好类之后,参数如何访问,包含四种访问方式
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
X = torch.rand(size=(2, 4))
net(X)
# ----------参数的访问,例如 nn.Linear(8, 1)----------
print(net[2].state_dict()) # 第三个参数的weight权重和bias偏差
# ----------具体参数的访问,例如 最后一层的偏移----------
print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)
# ----------一次访问所有参数 整个网络的全部参数----------
print(*[(name, param.shape) for name, param in net.named_parameters()])
# ----------嵌套访问,block2嵌套了4个block1----------
def block1():
return nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
nn.Linear(8, 4), nn.ReLU())
def block2():
net = nn.Sequential()
for i in range(4):
# 在这里嵌套
net.add_module(f'block {i}', block1())
return net
rgnet = nn.Sequential(block2(), nn.Linear(4, 1))
rgnet(X)
内置初始化
如何初始化参数,即修改默认初始化
感觉用处不大,先欠着
参数绑定
即 在不同网络之间共享权重
无论权重怎样更新,shared的权重都相同。可以理解为同一个moudle用了多次
# 我们需要给共享层一个名称,以便可以引用它的参数
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
shared, nn.ReLU(),
shared, nn.ReLU(),
nn.Linear(8, 1))
net(X)
# 检查参数是否相同
print(net[2].weight.data[0] == net[4].weight.data[0])
net[2].weight.data[0, 0] = 100
# 确保它们实际上是同一个对象,而不只是有相同的值
print(net[2].weight.data[0] == net[4].weight.data[0])
自定义层
构造神经网络中的层,有两种方式
# ----------构造一个没有参数的层----------
class CenteredLayer(nn.Module):
def __init__(self):
super().__init__()
def forward(self, X):
return X - X.mean()
# 向该层提供一些数据
layer = CenteredLayer()
layer(torch.FloatTensor([1, 2, 3, 4, 5]))
# 将其作为组件合并到复杂模型中
net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())
Y = net(torch.rand(4, 8))
Y.mean()
# ----------构造一个有参数的层----------
class MyLinear(nn.Module):
def __init__(self, in_units, units):
super().__init__()
# 随机初始化后,放入Parameter
self.weight = nn.Parameter(torch.randn(in_units, units))
self.bias = nn.Parameter(torch.randn(units,))
def forward(self, X):
linear = torch.matmul(X, self.weight.data) + self.bias.data
return F.relu(linear)
linear = MyLinear(5, 3)
linear.weight
使用自定义层,实现不同目的
# 前向计算
linear(torch.rand(2, 5))
# 构建模型
net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))
net(torch.rand(2, 64))
读写文件
加载和保存张量tensor
# 构造一个长为4的向量,并将其存在'x-file'文件中
x = torch.arange(4)
torch.save(x, 'x-file')
# 读回内存
x2 = torch.load('x-file')
# 也可以存储一个张量list (x,y)
y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
加载和保存模型参数
train模式:net.train() eval模式:net.eval() 一般情况下相同
class MLP(nn.Module):
def __init__(self):
super().__init__()
self.hidden = nn.Linear(20, 256)
self.output = nn.Linear(256, 10)
def forward(self, x):
return self.output(F.relu(self.hidden(x)))
net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)
# 讲模型的参数存储为一个叫做“mlp.params”的文件中
torch.save(net.state_dict(), 'mlp.params')
# 实例化,读取文件中存储的参数
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval() # 开始评估函数
# 两个实例的模型参数相同 clone(X)和Y
Y_clone = clone(X)
Y_clone == Y
GPU的使用
关于如何使用GPU,服务器等问题,可以参考这篇文章
所有深度学习框架都是默认在CPU上计算的,所以我们需要让它用GPU
# 用cpu 用第0个GPU 用第1个GPU
torch.device('cpu'), torch.device('cuda'), torch.device('cuda:1')
# 查询可用GPU数量
torch.cuda.device_count()
# GPU不存在时运行代码
def try_gpu(i=0): #@save
"""如果存在,则返回gpu(i),否则返回cpu()"""
if torch.cuda.device_count() >= i + 1:
return torch.device(f'cuda:{i}')
return torch.device('cpu')
def try_all_gpus(): #@save
"""返回所有可用的GPU,如果没有GPU,则返回[cpu(),]"""
devices = [torch.device(f'cuda:{i}')
for i in range(torch.cuda.device_count())]
return devices if devices else [torch.device('cpu')]
try_gpu(), try_gpu(10), try_all_gpus()
# 在GPU上创建tensor
X = torch.ones(2, 3, device=try_gpu())
# 在第二个GPU上创建一个随机张量
Y = torch.rand(2, 3, device=try_gpu(1))
# 在GPU之间复制张量
Z = X.cuda(1) # 把X移到第二个GPU
Y + Z # 计算 X + Y
# 神经网络在GPU中做计算
net = nn.Sequential(nn.Linear(3, 1))
net = net.to(device=try_gpu()) # 把net的所有参数放到第0个GPU上
net(X) #计算
net[0].weight.data.device # 输出device(type='cuda', index=0)
下期预告
剩下的内容还没看,当前的内容也还没巩固,也许之后还会有更新和改动,准备重开一篇文章继续写!下章才到卷积,不知道啥时候才能学完啊啊啊 ——2024.8.15
接下来讲的是:关于卷积神经网络的介绍,非常全面