线性回归的实现

文章内容如下：

1）构造人造数据集

2）产生batch_size批量数据

3）构造训练模型

4）偏差估计

核心思想，训练的过程是y_hat -  y -> 0的过程，训练的本质是找最快方向的梯度使得y_hat -  y尽可能快的趋向于0

一。构造人造数据集

第1步，构造人造数据集前需要导入如下模块:

%matplotlib inline

表示 即使未调用plt.show() 函数也可以渲染任何matplotlib 图表

import random

为了随机取出batch_size个数据

import torch

from d2l import torch as d2l

d2l是一些常用的函数，打包放在一起

第2步，

def synthetic_data(w,b,num_examples):
    X = torch.normal(0,1,(num_examples,len(w)))#均值为0，方差为1
    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)
print('features:',features[0],'\nlabel:',labels[0])
d2l.set_figsize()
d2l.plt.scatter(features[:,1].detach().numpy(),#detach()出来才能numpy()里面去
                labels.detach().numpy(),1);

X = torch.normal(0,1,(num_examples,len(w)))表示生成1000组X，每组X均值为0，方差为1，且每组长度为len(w)

y = torch.matmul(X,w)+b表示y=X*W+b

 二。产生batch_size批量数据

def data_iter(batch_size,features,labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    random.shuffle(indices)
    for i in range(0,num_examples,batch_size):
        batch_indices = torch.tensor(indices[i:min(i+batch_size,num_examples)])#最后一组数据可能不够，min(i+batch_size,num_examples)取i+batch_size与num_examples中小的一个
        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

random.shuffle(indices)表示打混indices列表中的元素的顺序，假设最终取出的元素是1,5,2,9，则最终去X中去取第1,5，2，9个元素(yield features[batch_indices],labels[batch_indices]就是做这样的事情)，yield表示不停地返回一组又一组数据。

第三步。构造训练模型

// 初始化参数
w = torch.normal(0,0.01,size=(2,1),requires_grad=True)
b = torch.zeros(1,requires_grad=True)#1表示标量
// 线性模型
def linreg(X,w,b):
    return torch.matmul(X,w) + b
// 损失函数
def squared_loss(y_hat,y):
    return (y_hat - y.reshape(y_hat.shape)) ** 2 /(2*batch_size)
// 参数更新
def sgd(param,lr,batch_size):
    with torch.no_grad():
        for param in param:
            param -= lr *param.grad
            param.grad.zero_()
// 训练模型
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)
        l.sum().backward()
        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}')

 

可以看到每次epoch后loss逐渐减小，最终很接近0，说明学习率lr的选择没大问题，没有出现震荡现象。