动手学深度学习：线性回归+基础优化算法

一、线性回归

买房的案例：

线性模型

线性模型可以看做是单层神经网络

衡量预估质量

训练数据

参数学习

找到w,b使得损失函数最小

显示解

总结

二、基础优化算法

梯度下降

选择学习率

小批量随机梯度下降

批量大小的选择

总结

三、线性回归的从零开始实现

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$\mathbf{w}=[2,-3.4{]}^{\top }$、$b=4.2$和噪声项$ϵ$生成数据集及其标签：
$$\mathbf{y}=\mathbf{X}\mathbf{w}+b+ϵ.$$

def synthetic_data(w, b, num_examples):  #@save
    """生成 y = Xw + b + 噪声。"""
    X = torch.normal(0, 1, (num_examples, 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, labels = synthetic_data(true_w, true_b, 1000)

注意，[features 中的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（一个标量）]。

print('features:', features[0], '\nlabel:', labels[0])

features: tensor([-0.9267, -0.2346]) 
label: tensor([3.1315])

通过生成第二个特征 features[:, 1] 和 labels 的散点图，可以直观地观察到两者之间的线性关系。

d2l.set_figsize()
d2l.plt.scatter(features[:, (1)].detach().numpy(),
                labels.detach().numpy(), 1);

此处不用.detach().numpy()也可以

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):
    num_examples = len(features)
    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]

batch_size = 10

for X, y in data_iter(batch_size, features, labels):
    print(X, '\n', y)
    break

tensor([[ 0.8127,  0.6865],
        [-0.4427,  0.5321],
        [ 0.1517, -0.1386],
        [-0.9238,  0.7089],
        [ 0.6578, -0.1356],
        [-1.4326,  1.9160],
        [ 1.6796,  0.5500],
        [-1.0313, -0.2434],
        [-0.4650,  1.1109],
        [-0.2465, -0.1693]]) 
 tensor([[ 3.4920],
        [ 1.5161],
        [ 4.9724],
        [-0.0411],
        [ 5.9892],
        [-5.1784],
        [ 5.7042],
        [ 2.9737],
        [-0.4977],
        [ 4.2807]])

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):  #@save
    """线性回归模型。"""
    return torch.matmul(X, w) + b

定义损失函数

def squared_loss(y_hat, y):  #@save
    """均方损失。"""
    return (y_hat - y.reshape(y_hat.shape))**2 / 2

定义优化算法

def sgd(params, lr, batch_size):  #@save
    """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, labels):
        l = loss(net(X, w, b), y)  # `X`和`y`的小批量损失
        # 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(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

epoch 1, loss 0.040376
epoch 2, loss 0.000154
epoch 3, loss 0.000052

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}')

w的估计误差: tensor([ 2.6226e-05, -5.0330e-04], grad_fn=<SubBackward0>)
b的估计误差: tensor([0.0002], grad_fn=<RsubBackward1>)

四、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

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)

调用框架中现有的API来读取数据

def load_array(data_arrays, batch_size, is_train=True):  #@save
    """构造一个PyTorch数据迭代器。"""
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

batch_size = 10
data_iter = load_array((features, labels), batch_size)

next(iter(data_iter))

[tensor([[ 0.3477, -1.3373],
         [-1.4896, -0.8495],
         [-0.0790, -2.7086],
         [-0.5485, -0.4496],
         [-0.7152,  0.8290],
         [ 0.5100,  0.6566],
         [ 0.8817, -1.8366],
         [ 2.3389, -0.3786],
         [-0.4357,  0.8328],
         [-1.8519, -0.4630]]),
 tensor([[ 9.4402],
         [ 4.0956],
         [13.2606],
         [ 4.6372],
         [-0.0446],
         [ 2.9945],
         [12.1993],
         [10.1901],
         [ 0.5035],
         [ 2.0714]])]

使用框架的预定义好的层

# `nn` 是神经网络的缩写
from torch import nn

net = nn.Sequential(nn.Linear(2, 1))

初始化模型参数

net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

计算均方误差使用的是MSELoss类，也称为平方 $L_2$ 范数

loss = nn.MSELoss()

实例化 SGD 实例

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), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

epoch 1, loss 0.000324
epoch 2, loss 0.000102
epoch 3, loss 0.000102

比较生成数据集的真实参数和通过有限数据训练获得的模型参数

w = net[0].weight.data
print('w的估计误差：', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差：', true_b - b)

w的估计误差： tensor([-0.0005,  0.0003])
b的估计误差： tensor([-0.0007])