线性回归-沐神

Preparation

小白，仅作为个人笔记。

%matplotlib inline
# jupyter notebook 画图用，%可以将matplotlib的图标直接嵌入到Notebook中。
# inline表示将图标嵌入到notebook中。
import random 
# 随机初始化权重和随机梯度下降。
import torch
from d2l import torch as d2l
# 用过的算法和函数放在d2l的包里面
# 因为是基于pytorch实现的，所以从d2l里面导入torch的模具。

1.生成数据集

def synthetic_data(w, b, num_examples):  #@save
    """生成y=Xw+b+噪声"""
    X = torch.normal(0, 1, (num_examples, len(w)))
    y = torch.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape)
    return X, y.reshape((-1, 1))

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
# torch.normal()生成标准正态分布的随机数
# torch.matmul()两个矩阵相乘

2.读取数据集

def data_iter(batch_size, features, labels):
#batch_size为批量大小，features和labels为数据集。
    num_examples = len(features)
    indices = list(range(num_examples))
    # 这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices)
    # 把下标indices完全打乱
    for i in range(0, num_examples, batch_size):
    #从0开始一直到数据的结尾，每次跳batch_size的距离
        batch_indices = torch.tensor(
            indices[i: min(i + batch_size, num_examples)])
            #取得是indices的下标，但是indices是乱序的
            #所以batch_indices是乱序，对于features和labels是随机的。
        yield features[batch_indices], labels[batch_indices]
        #yield会终止for循环，所以每次for循环都执行一次

batch_size = 10
for X, y in data_iter(batch_size, features, labels):
    print(X, '\n', y)

上面实现的迭代对教学来说很好，但它的执行效率很低，可能会在实际问题上陷入麻烦。 例如，它要求我们将所有数据加载到内存中，并执行大量的随机内存访问。 在深度学习框架中实现的内置迭代器效率要高得多， 它可以处理存储在文件中的数据和数据流提供的数据。（粘贴的）

3.初始化模型参数

w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)

在初始化参数之后，我们的任务是更新这些参数，直到这些参数足够拟合我们的数据。 每次更新都需要计算损失函数关于模型参数的梯度。 有了这个梯度，我们就可以向减小损失的方向更新每个参数。

4.定义模型

def linreg(X, w, b):
"""线性回归模型"""
	return torch.matmul(X, w) + b

5.定义损失函数

def squard_loss(y_hat, y):
	"""均方损失函数"""
	return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

在这里，需要将真实值y的形状转换为和预测值y_hat的形状相同。

6. 定义优化算法

def sgd(params, lr, batch_size)
	"""小批量随机梯度下降"""
	with torch.no.grad()
		for param in params:
			param -= lr*param.grad / batch_size
			param.grad.zeros_()

7.训练

步骤：

lr = 0.03 #设置学习率
num_epochs = 3 #设置训练次数
net = linreg  #将模型重定义下，方便修改模型
loss = squared_loss #重定义损失函数，方便修改损失函数

for epoch in range(num_epochs):    
    for X, y in data_iter(batch_size, features, labels):
        l = loss(net(X, w, b), y)  # X和y的小批量损失
        # 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
        # 并以此计算关于[w,b]的梯度
        l.sum().backward()           # 反向传播计算梯度
        sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数
    with torch.no_grad():  #计算全部数据的损失，不需要计算梯度
        train_l = loss(net(features, w, b), labels)  
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')