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。