3.2--线性回归从零实现

---

前言

例如：本文就介绍了用pytorch对线性回归的简单实现。

---

一、引用库？

import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random

print(torch.__version__)

torch是深度学习框架，matplotlib用于绘图，numpy用于科学计算和分析。

二、生成数据集

1.生成数据和对应标签

num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
# 1000×2的tensor
features = torch.randn(num_examples, num_inputs,
                      dtype=torch.float32)
# 1000×1的标签
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
# 标签加噪声项
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),
                       dtype=torch.float32)

2.绘制矢量图

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()
# 散点图，横坐标是第二列特征，纵坐标是对应标签
plt.scatter(features[:, 1].numpy(), labels.numpy(), 1);

三 、读取数据

def data_iter(batch_size, features, labels):
    num_examples = len(features)# num_examples=1000
    indices = list(range(num_examples))# 生成0到1000的列表
    random.shuffle(indices)  # 样本的读取顺序是随机的
    for i in range(0, num_examples, batch_size):
        j = torch.tensor(indices[i: min(i + batch_size, num_examples)],dtype=torch.long) # 最后一次可能不足一个batch
        yield  features.index_select(0, j), labels.index_select(0, j)  # 样本的读取顺序是随机的,0是以读行为标准,yield是一个迭代器，类似于return

四、初始化模型参数

# w由均值为0，标准差为0.01的正态分布生成(1000,1)的tensor
w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32)
# b由0生成(1,1)的tensor
b = torch.zeros(1, dtype=torch.float32)
# 自梯度记录在张量上的操作
w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True) 

五、定义模型，损失函数，优化函数

def linreg(X, w, b):  # torch.mm是矩阵相乘函数
    return torch.mm(X, w) + b
def squared_loss(y_hat, y):  # y.view将y改成y_hat.size()大小的张量，不是复制
    return (y_hat - y.view(y_hat.size())) ** 2 / 2
def sgd(params, lr, batch_size):  # 
    for param in params:
        param.data -= lr * param.grad / batch_size # 注意这里更改param时用的param.data

六、训练模型

lr = 0.03
num_epochs = 3
net = linreg
loss = squared_loss

for epoch in range(num_epochs):  # 训练模型一共需要num_epochs个迭代周期
    # 在每一个迭代周期中，会使用训练数据集中所有样本一次（假设样本数能够被批量大小整除）。X
    # 和y分别是小批量样本的特征和标签
    for X, y in data_iter(batch_size, features, labels):
        l = loss(net(X, w, b), y).sum()  # l是有关小批量X和y的损失
        l.backward()  # 小批量的损失对模型参数求梯度
        sgd([w, b], lr, batch_size)  # 使用小批量随机梯度下降迭代模型参数
        
        # 不要忘了梯度清零
        w.grad.data.zero_()
        b.grad.data.zero_()
    train_l = loss(net(features, w, b), labels)
    print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))

epoch 1, loss 0.031860
epoch 2, loss 0.000112
epoch 3, loss 0.000054

print(true_w, '\n', w)
print(true_b, '\n', b)

[2, -3.4]
tensor([[ 2.0001],
[-3.3994]], requires_grad=True)
4.2
tensor([4.2000], requires_grad=True)

---

总结

这一章学到对线性回归模型处理的简单流程，包括数据读取，初始化模型参数，定义模型，定义损失函数，定义参数优化算法，最后在训练模型时通过损失函数优化模型参数。