李沐-线性回归和基础优化算法小结

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}')