pytorch 线性回归从零开始实现

自动求导函数backward()

参考链接：
backward()
梯度的讲解

生成数据集

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

# 生成数据集
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.from_numpy(np.random.normal(0, 1, (num_examples,num_inputs)))
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += torch.from_numpy(np.random.normal(0, 0.01,size=labels.size()))
features.shape

图形显示

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].numpy(), labels.numpy(), 1)

读取数据

# 读取数据
def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    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.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后⼀次可能不⾜⼀个batch
        yield features.index_select(0, j), labels.index_select(0,j)  # 表示挑选第0维，j行

查看数据

batch_size = 10
for X, y in data_iter(batch_size, features, labels):
    print(X.shape, y.shape)
    break

模型训练

初始化模型

w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)),dtype=torch.float64)
b = torch.zeros(1, dtype=torch.float64)

参数设置可追踪

设置为True，表示该tensor变量可追踪，用于求偏导。

w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)  # True，在计算中，保留对应的梯度信息

定义模型

torch.mm表示矩阵相乘。这里返回的结果就表示根据初始的w,b进行的预测值。

def linreg(X, w, b): # 本函数已保存在d2lzh_pytorch包中⽅便以后使⽤
    return torch.mm(X, w) + b

损失函数

最小二乘法。

def squared_loss(y_hat, y): # 损失函数
   
    return (y_hat - y.view(y_hat.size())) ** 2 / 2

优化算法

/batch_size是因为求的偏导是10个样本的偏导相加。这里进行参数更新需要使用tensor.data

# 定义优化算法
def sgd(params, lr, batch_size): # 本函数已保存在d2lzh_pytorch包中⽅便以后使⽤
    for param in params:
        param.data -= lr * param.grad / batch_size # 注意这⾥更改param时⽤的param.data

模型训练

lr = 0.03  # 学习率
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《偏导数清零》
        w.grad.data.zero_()
        b.grad.data.zero_()
    train_l = loss(net(features, w, b), labels) # 计算整体损失
    print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))

结果

可以看到与真实值已经很接近了。

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