pytorch--线性回归实现

我们将从零实现整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器
导入包：

import random
import torch

根据带有噪声的线性模型构造一个人造数据集，我们使用线性模型参数w=[2,-3.4]和b=4.2和噪声项c生成数据集及其标签：
y=wx+b+c

添加训练样本：

def synthetic_data(w,b,num_examples):
    x = torch.normal(0,1,(num_examples,len(w)))
    y = torch.mul(x,w)+b
    #加入随机噪音
    y += torch.normal(0,0.01,y.shape)
    #列向量返回
    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)

查看样本：

print("features:",features[0],'\nlabels',labels[0])

导入d2l包
先下载d2lzh_pytorch.zip文件，解压后将其放在anaconda对应目录：

from d2lzh_pytorch import torch as d2l

查看数据（散点图）

set_figsize()
plt.scatter(features[:, 1].detach().numpy(), labels.detach().numpy()[0:1000], 1)

定义一个函数，该函数接收批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量

def data_iter(batch_size,features,labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    #随机读取样本
    #打乱下标
    random.shuffle(indices)
    #从0开始到num_exanples，每次跳batch_size大小
    for i in range(0,num_examples,batch_size):
        #min判断是否超出样本数目
        batch_indices = torch.tensor(indices[i:min(i+batch_size,num_examples)])
        yield features[batch_indices],labels[batch_indices]
        
batch_size = 10
for x,y in data_iter(batch_size,features,labels):
    print(x,'\n',y)
    break

定义初始化模型参数

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

定义模型

def linreg(x,w,b):
    return torch.matmul(x,w)+b

定义损失函数

def squared_loss(y_hat,y):
    return (y_hat-y.reshape(y_hat.shape))**2/2

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:
            #求均值
            param -= lr * param.grad / batch_size
            param.grad.zero_()

训练网络

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


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()
        sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')




print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')