本期的内容是线性回归以及Softmax回归,损失函数,分类等
个人感受:动手敲一遍,带着思考,会有不一样的感受!!!
代码是比较多的,有很多内容我也是都在代码上面注释了~
这次的内容比之前几次的会稍微复杂一点,说一下我自己的想法:动手敲一遍代码,体会一下,因为后期自己设计网络的时候,可以直接调用呢~~
正片开始!!!
# 自动求导
import torch
x = torch.arange(4.0)
print(x)
# 在外面计算y关于x的梯度之前 需要一个地方来存储梯度
x.requires_grad_(True) # 等价于 x = torch.arange(4.0,requires_grad=True)
print(x.grad)
xx = torch.arange(4.0, requires_grad = True) # xx.grad是存梯度的地方,默认为None,即还没有求导求出梯度出来
print(xx.grad)
# 现在计算y
y = 2 * torch.dot(x, x)
print(y) # grad_fn是隐式的构造了梯度函数
# 通过调用反向传播函数来自动计算y关于x每个分量的梯度
y.backward() # 反向传播后会有梯度计算出来
print(x.grad) # 访问导数 即访问梯度
print(x.grad == 4*x) # 4 * x 是 2 * x * x 的导数
# 在深度学习中,目的不是计算微分矩阵,而是批量中每个样本单独计算的偏导数之和
import torch
x = torch.arange(4.0, requires_grad = True)
y = 2 * torch.dot(x, x)
y.backward()
# 默认情况下,PyTorch会累积梯度,需要清除之前的值
# 对非标量调用 'backward' 需要传入一个 'gradient' 参数,该参数指定微分函数
x.grad.zero_()
y = x * x # 这里的y不是一个标量,这是一个向量
print(y)
# 等价于y.backward(torch.ones(len(x)))
y.sum().backward() # y.sum()后就将向量转为标量了,对标量求导
x.grad
# 线性回归
# 将从零开始实现整个方法,包括数据流水线、模型、损失函数和小批量随即梯度下降优化器
# 生成数据集
import torch
import random
from d2l import torch as d2l
def synthetic_data(w, b, num_examples):
"""生成 y = Xw + b + 噪声"""
X = torch.normal(0, 1, (num_examples, len(w)))
print('X.shape:', X.shape)
y = torch.matmul(X, w) + b
print('y.shape:', y.shape)
y += torch.normal(0, 0.01, y.shape)
print('y.shape:', 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.shape:', features.shape)
print('labels.shape', labels.shape)
# 绘制数据集
# features中每一行都包含一个二维数据样本,labels中的每一行都包含一维标签值(一个标签)
print('features:', features[0], '\nlabels:', labels[0])
d2l.set_figsize()
d2l.plt.scatter(features[:, 1].detach().numpy(), labels.detach().numpy(), 1) # 只有detach后才能转到numpy里面去
print('----------------------------------')
# 读取小批量
# data_iter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) # 样本个数
print(num_examples)
indices = list(range(num_examples)) # 样本索引
# 这些样本是随即读取的,没有特定的顺序
# print(indices)
random.shuffle(indices) # 把索引随即打乱
for i in range(0, num_examples, batch_size):
batch_indices = torch.tensor(indices[i:min(i+batch_size, num_examples)]) # 当i+batch_size超出时 取num_examples
yield features[batch_indices], labels[batch_indices] # 获得随即顺序的特征 及对应的标签
batch_size = 10
for X, y in data_iter(batch_size, features, labels):
print(X, '\n', y) # 取一个批次后 就break跳出了
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, x):
"""军方误差"""
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(): # 不要产生梯度计算 减少内存消耗
for param in params: # 每个参数进行遍历
param -= lr * param.grad / batch_size
# 每个参数进行更新 损失函数没有求均值 所以这里除以 batch_size 求了均值 由于乘法的线性关系 这里除以放在loss的除以是等价的。
param.grad.zero_() # 每个参数的梯度清零
# 训练过程
lr = 0.03
num_epoch = 3
net = linreg # 这里用线性模型 这样写是很方便net赋予其他模型 只需要改一处 不需要下面所有网络模型名称都改
loss = squared_loss
for epoch in range(num_epoch):
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是形状是(batch_size,1) 而不是一个标量 l中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(X, w, b), labels)
print(f'epoch{epoch + 1}, loss{float(train_l.mean()): f}')
# 比较真实参数和通过训练学到的参数来评估训练的成功程度
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}')
# 线性回归 使用框架
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, labels = d2l.synthetic_data(true_w, true_b, 1000) # 库函数生成人工数据集
def load_array(data_arrays, batch_size, is_train = True):
"""构造一个Pytorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays) # dataset相当于Pytorch的Dataset 一个星号* 表示对list解开入参
return data.DataLoader(dataset, batch_size, shuffle = is_train) # 返回的是从dataset中随机挑选出batch_size个样本出来
batch_size = 10
data_iter = load_array((features, labels), batch_size) # 返回的数据的迭代器
print(next(iter(data_iter))) # iter(data_iter) 是一个迭代器对象 next是取迭代器里面的元素
# 使用框架的预定义好的层
# nn是神经网络的缩写
net = nn.Sequential(nn.Linear(2, 1))
# 初始化模型参数
net[0].weight.data.normal_(0, 0.01) # 使用正态分布替换掉weight变量里面的数据值
net[0].bias.data.fill_(0) # 偏差bias变量里面的值设置为0
print(net[0])
# 计算均方误差使用的是MSELoss类 也称为平方L2范数
loss = nn.MSELoss() #L1是算术差,L2是平方差
# 实例化SGD
trainer = torch.optim.SGD(net.parameters(), lr = 0.03)
# 训练过程代码从零开始时非常相似
num_epoch = 3
for epoch in range(num_epoch):
for X, y in data_iter: # 从DataLoader里面一次一次把所有数据拿出来
# print('X:', X)
# print('y:', y)
l = loss(net(X), y) # net(X) 为计算出来的线性回归的预测值
trainer.zero_grad() # 梯度清零
l.backward()
trainer.step() # SGD优化器优化模型
l = loss(net(features), labels)
print(f'epoch{epoch + 1},loss{l:f}')
使用Softmax完整的训练测试
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
from IPython import display
def get_dataloader_workers():
"""使用4个进程来读取的数据"""
return 0
def load_data_fashion_mnist(batch_size, resize=None):
"""下载Fashion-MNIST数据集,然后将其加载到内存中"""
trans = [transforms.ToTensor()]
if resize:
trans.insert(0,transforms.Resize(resize)) # 如果有Resize参数传进来,就进行resize操作
trans = transforms.Compose(trans)
mnist_train = torchvision.datasets.FashionMNIST(root="mnist_data",train=True,transform=trans,download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="mnist_data",train=False,transform=trans,download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers()),
data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers()))
batch_size = 256
train_iter, test_iter = load_data_fashion_mnist(batch_size) # 返回训练集、测试集的迭代器
num_inputs = 784
num_outputs = 10
w = torch.normal(0,0.01,size=(num_inputs,num_outputs),requires_grad=True)
b = torch.zeros(num_outputs,requires_grad=True)
def softmax(X):
X_exp = torch.exp(X) # 每个都进行指数运算
partition = X_exp.sum(1,keepdim=True)
return X_exp / partition # 这里应用了广播机制
# 实现softmax回归模型
def net(X):
return softmax(torch.matmul(X.reshape((-1,w.shape[0])),w)+b) # -1为默认的批量大小,表示有多少个图片,每个图片用一维的784列个元素表示
def cross_entropy(y_hat, y):
return -torch.log(y_hat[range(len(y_hat)),y]) # y_hat[range(len(y_hat)),y]为把y的标号列表对应的值拿出来。传入的y要是最大概率的标号
def accuracy(y_hat,y):
"""计算预测正确的数量"""
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1: # y_hat.shape[1]>1表示不止一个类别,每个类别有各自的概率
y_hat = y_hat.argmax(axis=1) # y_hat.argmax(axis=1)为求行最大值的索引
cmp = y_hat.type(y.dtype) == y # 先判断逻辑运算符==,再赋值给cmp,cmp为布尔类型的数据
return float(cmp.type(y.dtype).sum()) # 获得y.dtype的类型作为传入参数,将cmp的类型转为y的类型(int型),然后再求和
# 可以评估在任意模型net的准确率
def evaluate_accuracy(net,data_iter):
"""计算在指定数据集上模型的精度"""
if isinstance(net,torch.nn.Module): # 如果net模型是torch.nn.Module实现的神经网络的话,将它变成评估模式
net.eval() # 将模型设置为评估模式
metric = Accumulator(2) # 正确预测数、预测总数,metric为累加器的实例化对象,里面存了两个数
for X, y in data_iter:
metric.add(accuracy(net(X),y),y.numel()) # net(X)将X输入模型,获得预测值。y.numel()为样本总数
return metric[0] / metric[1] # 分类正确的样本数 / 总样本数
# Accumulator实例中创建了2个变量,用于分别存储正确预测的数量和预测的总数量
class Accumulator:
"""在n个变量上累加"""
def __init__(self,n):
self.data = [0,0] * n
def add(self, *args):
self.data = [a+float(b) for a,b in zip(self.data,args)] # zip函数把两个列表第一个位置元素打包、第二个位置元素打包....
def reset(self):
self.data = [0.0] * len(self.data)
def __getitem__(self,idx):
return self.data[idx]
# 训练函数
def train_epoch_ch3(net, train_iter, loss, updater):
if isinstance(net, torch.nn.Module):
net.train() # 开启训练模式
metric = Accumulator(3)
for X, y in train_iter:
y_hat = net(X)
l = loss(y_hat,y) # 计算损失
if isinstance(updater, torch.optim.Optimizer): # 如果updater是pytorch的优化器的话
updater.zero_grad()
l.mean().backward() # 这里对loss取了平均值出来
updater.step()
metric.add(float(l)*len(y),accuracy(y_hat,y),y.size().numel()) # 总的训练损失、样本正确数、样本总数
else:
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()),accuracy(y_hat,y),y.numel())
return metric[0] / metric[2], metric[1] / metric[2] # 所有loss累加除以样本总数,总的正确个数除以样本总数
class Animator:
def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,
ylim=None, xscale='linear',yscale='linear',
fmts=('-','m--','g-.','r:'),nrows=1,ncols=1,
figsize=(3.5,2.5)):
if legend is None:
legend = []
d2l.use_svg_display()
self.fig, self.axes = d2l.plt.subplots(nrows,ncols,figsize=figsize)
if nrows * ncols == 1:
self.axes = [self.axes,]
self.config_axes = lambda: d2l.set_axes(self.axes[0],xlabel,ylabel,xlim,ylim,xscale,yscale,legend)
self.X, self.Y, self.fmts = None, None, fmts
def add(self, x, y):
if not hasattr(y, "__len__"):
y = [y]
n = len(y)
if not hasattr(x, "__len__"):
x = [x] * n
if not self.X:
self.X = [[] for _ in range(n)]
if not self.Y:
self.Y = [[] for _ in range(n)]
for i, (a,b) in enumerate(zip(x,y)):
if a is not None and b is not None:
self.X[i].append(a)
self.Y[i].append(b)
self.axes[0].cla()
for x, y, fmt in zip(self.X, self.Y, self.fmts):
self.axes[0].plot(x, y, fmt)
self.config_axes()
display.display(self.fig)
display.clear_output(wait=True)
# 总训练函数
def train_ch3(net,train_iter,test_iter,loss,num_epochs,updater):
animator = Animator(xlabel='epoch',xlim=[1,num_epochs],ylim=[0.3,0.9],
legend=['train loss','train acc','test acc'])
for epoch in range(num_epochs): # 变量num_epochs遍数据
train_metrics = train_epoch_ch3(net,train_iter,loss,updater) # 返回两个值,一个总损失、一个总正确率
test_acc = evaluate_accuracy(net, test_iter) # 测试数据集上评估精度,仅返回一个值,总正确率
animator.add(epoch+1,train_metrics+(test_acc,)) # train_metrics+(test_acc,) 仅将两个值的正确率相加,
train_loss, train_acc = train_metrics
# 小批量随即梯度下降来优化模型的损失函数
lr = 0.1
def updater(batch_size):
return d2l.sgd([w,b],lr,batch_size)
num_epochs = 10
train_ch3(net,train_iter,test_iter,cross_entropy,num_epochs,updater)
# 预测数据
def predict_ch3(net,test_iter,n=6):
for X, y in test_iter:
break # 仅拿出一批六个数据
trues = d2l.get_fashion_mnist_labels(y)
preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
titles = [true + '\n' + pred for true, pred in zip(trues,preds)]
d2l.show_images(X[0:n].reshape((n,28,28)),1,n,titles=titles[0:n])
predict_ch3(net,test_iter)
注:上述内容参考b站up主“我是土堆”的视频,参考吴恩达深度学习,机器学习内容,参考李沐动手学深度学习!!!