在上文中讲解了如何利用Tensor实现线性回归,本文将讲解如何利用autograd实现线性回归,读者可以从中体会autograd的便捷之处。
In: import torch as t
%matplotlib inline
from matplotlib import pyplot as plt
from IPython import display
import numpy as np
In: # 设置随机数种子,保证结果可复现
t.manual_seed(1000)
def get_fake_data(batch_size=8):
''' 产生随机数据:y = x * 2 + 3,加上了一些噪声'''
x = t.rand(batch_size,1) * 5
y = x * 2 + 3 + t.randn(batch_size, 1)
return x, y
In: # 来看看产生x-y分布是什么样的
x, y = get_fake_data()
plt.scatter(x.squeeze().numpy(), y.squeeze().numpy())
Out:<matplotlib.collections.PathCollection at 0x7fcd1c1ed3c8>
In: # 随机初始化参数
w = t.rand(1,1, requires_grad=True)
b = t.zeros(1,1, requires_grad=True)
losses = np.zeros(500)
lr =0.005 # 学习率
for ii in range(500):
x, y = get_fake_data(batch_size=32)
# forward:计算loss
y_pred = x.mm(w) + b.expand_as(y)
loss = 0.5 * (y_pred - y) ** 2
loss = loss.sum()
losses[ii] = loss.item()
# backward:自动计算梯度
loss.backward()
# 更新参数
w.data.sub_(lr * w.grad.data)
b.data.sub_(lr * b.grad.data)
# 梯度清零
w.grad.data.zero_()
b.grad.data.zero_()
if ii%50 ==0:
# 画图
display.clear_output(wait=True)
x = t.arange(0, 6).float().view(-1, 1)
y = x.mm(w.data) + b.data.expand_as(x)
plt.plot(x.numpy(), y.numpy()) # predicted
x2, y2 = get_fake_data(batch_size=20)
plt.scatter(x2.numpy(), y2.numpy()) # true data
plt.xlim(0,5)
plt.ylim(0,13)
plt.show()
plt.pause(0.5)
print(f'w: {w.item():.3f}, b: {b.item():.3f}')
Out:w: 2.026 b: 2.973
In: plt.plot(losses)
plt.ylim(5,50)
相比于上文的线性回归,利用autograd实现的线性回归不需要手动实现反向传播,可以自动计算微分。这一点不单是在深度学习中,在许多机器学习的问题中都很有用。需要注意的是,在每次反向传播之前,需要先把梯度值清零,避免累加。