李沐老师的线性回归算法和优化算法的代码,其中注释都是老师讲到的,做一个小总结
线性回归
#plot时,嵌入到mat中
import matplotlib.pyplot as plt
# 随机梯度下降、初始化权重
import random
import torch
#用过的算法、函数放在d2l中
from d2l import torch as d2l
"""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生成数据集及其标签"""
def synthetic_data(w, b, num_examples):
"""生成 y = Xw + b + 噪声"""
# 均值为0,方差为1的随机数,n个样本,列数为w
X = torch.normal(0, 1, (num_examples, len(w)))
y = torch.matmul(X, w) + b
#加入随机噪音,均值为0,方差为0.01
y += torch.normal(0, 0.01, y.shape)
# 返回X,y以列向量形式返回
return X, y.reshape((-1, 1))
"""定义一个data_iter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):
#样本数
num_examples = len(features)
#生成list
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)
for i in range(0, num_examples, batch_size):
batch_indices = torch.tensor(indices[i:min(i + batch_size, num_examples,)])
yield features[batch_indices], labels[batch_indices]
"""定义模型"""
def linreg(X, w, b):
"""线性回归模型。"""
return torch.matmul(X, w) + b
"""定义损失函数"""
def squared_loss(y_hat, y):
"""均方损失"""
#y-hat:预测值 y:真实值
return (y_hat - y.reshape(y_hat.shape))**2 / 2
"""定义优化算法 所有参数w和b, 学习率, 均值"""
def sgd(params, lr, batch_size):
"""小批量随机梯度下降"""
#不计算梯度
with torch.no_grad():
for param in params:
#params.grade梯度
param -= lr * param.grad/ batch_size
#梯度设为0
param.grad.zero_()
batch_size = 10
true_w = torch.tensor([2, -3.4])
true_b = 4.2
#生成特征和标注
features, labels = synthetic_data(true_w, true_b, 1000)
#画图显示
d2l.set_figsize()
d2l.plt.scatter(features[:, 1].detach().numpy(),
labels.detach().numpy(), 1);
plt.show()
#定义初始化模型参数:
#梯度:requires_grad=True
w = torch.normal(0, 0.01, size=(2, 1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
"""训练过程"""
#学习率 = 0.03
lr =0.03
#训练三次
num_epochs =10
#模型=定义的模型
net = linreg
#均方损失
loss = squared_loss
for epoch in range(num_epochs):
for X, y in data_iter(batch_size, features, labels):
#net网络中的预测值减真实值yd的损失,X, y的小批量损失
l = loss(net(X, w, b), y)
# 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
#并以此计算关于[w, b]的梯度
l.sum().backward()
#使用参数的梯度更新参数
sgd([w, b], lr, batch_size)
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}')
基础优化算法
"""线性回归的简洁实现
通过使用深度学习框架来简洁地实现线性回归模型生成数据集"""
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
#nn: 神经网络缩写
from torch import nn
def load_array(data_arrays, batch_size, is_train=True):
"""构造一个pytorch数据迭代器"""
#将features和labels导入dataset
dataset = data.TensorDataset(*data_arrays)
#调用Dataloader,shuffle:随机打乱调用
return data.DataLoader(dataset, batch_size, shuffle=is_train)
#使用框架预定义好的层
#Sequential:按顺序排列
net = nn.Sequential(nn.Linear(2, 1))
#初始化模型参数
#[0]:访问到layer, weight:访问到w,data:真实值, normal_:正态分布替换data值
net[0].weight.data.normal_(0, 0.01)
#偏差为0
net[0].bias.data.fill_(0)
#计算均方误差使用的是MSELoss类,也称平方范数
loss = nn.MSELoss()
#实例化SGD实例,随机梯度下降
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
#生成特征和标注
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)
batch_size = 10
data_iter = load_array((features, labels), batch_size)
#next函数得到X,y
next(iter(data_iter))
"""训练过程"""
num_epochs = 10
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X), y)
trainer.zero_grad()
l.backward()
trainer.step()
l = loss(net(features), labels)
print(f'epoch{epoch + 1}, loss{l:f}')