Linear regression
线性回归是最简单的神经网络结构,也是单层神经网络(输入层不算),通过简单的更新W,和偏移项b完成训练整个线性回归模型。
简单介绍实现步骤
- 准备数据集DataLoader对象
Pytorch框架训练模型,传入对象需要是DataLoader,传入的参数较为重要是batch_size(batch_size越大占用内存越大,内存越容易爆) - 模型
模型一般通过nn.Sequential能更容易实现,不过继承nn.Module是更普遍写的一种方法,因为其可拓展性强,非常方便,nn.Sequential可以直接加入继承nn.Module类中。
class DIYNet(nn.Module):
def __init__(self, in_channels, out_channels):
super().__init__()
def forward(self, x):
- 损失函数
损失函数是网络优化的一个对象,常用的有:MSE,RMSE,Cross Entropy,另外自定义损失函数也可以自定义。
同时,参数的更新主要基于损失函数的梯度。 - 优化器
优化器为损失函数工作,一般是更快的下降梯度和优化。常用的有Adam,SGD,RMSprop - 迭代梯度更新
这一步就是最重要的更新梯度了,一般梯度更新是先正向传播(计算梯度,保留梯度值),反向传播是基于正向传播的梯度进行参数更新。
输入数据
- 准备工作
# 安装d2l包
pip install d2l
import torch
from torch.utils import data
from d2l import torch as d2l
from torch import nn
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) # *表示传入不止一个参数 比如元组
return data.DataLoader(dataset, batch_size, shuffle=is_train)
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)
自定义模型
使用pytorch框架简易实现一个线性回归模型:
# 自定义模型
net = nn.Sequential(nn.Linear(2, 1))
# 模型初始化
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)
定义损失函数
# 定义损失函数
loss = nn.MSELoss()
定义优化算法
# 定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
训练模型
# 训练
num_epochs = 5
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X), y)
# 梯度清零
trainer.zero_grad()
# 反向传播
l.backward()
# 参数更新
trainer.step()
Loss = loss(net(features), labels)
print('epoch:{},loss:{:.6f}'.format(epoch+1, Loss))