import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
from torch import nn
true_w=torch.tensor([2,-3.4])
true_b=4.2
features,lables=d2l.synthetic_data(true_w,true_b,1000)#d2l.synthetic_data人工数据合成函数
#调用框架中现有的API来读取数据
def load_array(data_array,batch_size,is_train=True):#data_array是包含特征和标签的元组,
"""构造一个pytorch迭代器"""
#使用 PyTorch 的 TensorDataset 类创建一个数据集对象,*data_array表示解包元组,将特征和标签传递给 TensorDataset 构造函数。
#TensorDataset它的主要作用是将输入的张量(tensors)封装成一个数据集,方便在训练过程中进行批量处理。
dataset=data.TensorDataset(*data_array)
#构建并返回一个 PyTorch 数据加载器。DataLoader 将 TensorDataset 包装成一个迭代器,用于逐批次加载数据。
# batch_size 参数定义了每个小批次的样本数量,shuffle=is_train 表示在训练模式下是否打乱数据。
return data.DataLoader(dataset,batch_size,shuffle=is_train)#每次从数据集中挑选batch_size个样本,然后打乱
batch_size=10
#调用 load_array 函数,传递特征和标签的元组以及批量大小,得到一个数据加载器对象 data_iter。
data_iter=load_array((features,lables),batch_size)#假设已经有了features,lables做成一个list传入TensorDataset中,features和lables组成一个list传入到data_array中
#使用 iter 函数生成一个迭代器,并使用 next 函数获取下一个小批次的数据。这样可以逐个小批次地遍历数据集。
next(iter(data_iter))
#使用框架的预定义好的层
#创建了一个顺序模型(Sequential Model)。
# 这个模型包含一个线性层(nn.Linear(2, 1)),表示输入特征维度为 2,输出特征维度为 1。这是一个简单的线性回归模型。
net=nn.Sequential(nn.Linear(2,1))
#初始化模型参数
#对模型的第一个(也是唯一一个)层的权重weight进行初始化。使用正态分布(mean=0,std=0.01)来初始化权重
net[0].weight.data.normal_(0,0.01)
#对模型的第一个(也是唯一一个)层的偏置bais进行初始化。将偏置全部填充为 0。
net[0].bias.data.fill_(0)
#计算均方误差使用的是MSELoss类,也称为平方范数
loss=nn.MSELoss()
#实例化SGD实例
#net.parameters() 返回模型中所有需要训练的参数。这些参数包括权重和偏置等。
trainer=torch.optim.SGD(net.parameters(),lr=0.03)
#训练过程代码与我们从零开始实现时所做的非常相似
num_epochs=3
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),lables)
print(f'epoch{epoch+1},loss{l:f}')
线性回归零基础版,简易版的函数在零基础版中更好理解
import random
import torch
import matplotlib.pyplot as plt
from d2l import torch as d2l
def synthetic_data(w,b,num_example):
"""生成y=Xw+b+噪声"""
X=torch.normal(0,1,(num_example,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,lables=synthetic_data(true_w,true_b,1000)
#d2l.set_figsize()
#d2l.plt.scatter(features[:,1].detach().numpy(),lables.detach().numpy(),1);
#plt.show()
def data_iter(batch_size,features,lables):
num_examples=len(features)#获取特征的总样本数
indices=list(range(num_examples))#创建一个包含所有样本索引的列表
random.shuffle(indices)#将样本索引列表随机打乱,以随机顺序遍历数据。
for i in range(0,num_examples,batch_size):#开始一个循环,每次迭代生成一个小批次数据。
#根据当前迭代的起始索引和批量大小,获取当前小批次的样本索引。
batch_indices=torch.tensor(indices[i:min(i+batch_size,num_examples)])
#使用 yield 语句生成当前小批次的特征和标签,并将其返回给调用方。
yield features[batch_indices],lables[batch_indices]
batch_size=10
for X,y in data_iter(batch_size,features,lables):
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):
"""线性回归模型"""
return torch.matmul(X,w)+b
#定义损失函数
def squared_loss(y_hat,y):
"""均方误差"""
return (y_hat-y.reshape(y_hat.shape))**2/2
#定义优化函数
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.zero_()
#训练过程
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,lables):
l=loss(net(X,w,b),y)
l.sum().backward()
sgd([w,b],lr,batch_size)
with torch.no_grad():
train_1=loss(net(features,w,b),lables)
print(f'epoch{epoch+1},loss{float(train_1.mean())}')
根据李沐老师 动手学pytorch系列 逐行代码解析 仅自用 如有侵权 联系删除