前言
博客主要将李沐大神的《动手学pytorch》中的代码进行了详细的注释,为了自己以后复习的时候方便。
一、导入包和模块
导入所需的包或模块,其中的matplotlib包可用于作图,且设置成嵌入显示。
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random
二、生成数据集
我们构造一个简单的人工训练数据集,它可以使我们能够直观比较学到的参数和真实的模型参数的区别。设训练数据集样本数为1000,输入特征数为2。给定随机生成的批量样本特征,线性回归模型的真实权重,偏差b=4.2,以及一个随机噪声项来生成标签
其中噪声项服从均值为0,标准差为0.01的正态分布。
# 特征数量为2
num_inputs = 2
# 样本数量为1000
num_examples = 1000
# 回归模型真实权重
true_w = [2, -3.4]
# 回归模型偏差
true_b = 4.2
# 特征图形状[1000,2],数据类型float32
features = torch.randn(num_examples, num_inputs,
dtype=torch.float32)
# 标签y=2*所有样本的第一个特征——3.4*所有样本的第二个特征
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
# 标签中加入随机噪声,噪声服从均值为0方差为1的正态分布,尺寸和标签尺寸相同,数据类型为torch.float32
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),
dtype=torch.float32)
通过生成第二个特征features[:, 1]
和标签 labels
的散点图,可以更直观地观察两者间的线性关系。
def use_svg_display():
# 用矢量图显示
display.set_matplotlib_formats('svg')
def set_figsize(figsize=(3.5, 2.5)):
use_svg_display()
# 设置图的尺寸
plt.rcParams['figure.figsize'] = figsize
set_figsize()
plt.scatter(features[:, 1].numpy(), labels.numpy(), 1);
三、数据读取
在训练模型的时候,我们需要遍历数据集并不断读取小批量数据样本。这里我们定义一个函数:它每次返回batch_size
(批量大小)个随机样本的特征和标签。
def data_iter(batch_size, features, labels):
num_examples = len(features) # 样本个数为特征图的数据长度
indices = list(range(num_examples)) # 建立列表用以存放样本
random.shuffle(indices) # 样本的读取顺序是随机的
for i in range(0, num_examples, batch_size): # 用for循环逐批次的选取数据
j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch
yield features.index_select(0, j), labels.index_select(0, j)
让我们读取第一个小批量数据样本并打印。每个批量的特征形状为(10, 2),分别对应批量大小和输入个数;标签形状为批量大小。
# 每小批量样本个数为10
batch_size = 10
for X, y in data_iter(batch_size, features, labels):
print(X, y)
break
输出:
四、初始化模型参数
这里要初始化的模型参数为w和b
将权重w初始化为均值为0,标准差为0.01的正态随机数,数据类型为float32
偏差b初始化为0,数据类型为float32
# 初始化权重w
w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32)
# 初始化偏差b
b = torch.zeros(1, dtype=torch.float32)
之后的模型训练中,需要对这些参数求梯度来迭代参数的值,因此我们要让它们的requires_grad=True
w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)
五、定义模型
下面是线性回归的矢量计算表达式的实现。我们使用mm
函数做矩阵乘法。
def linreg(X, w, b):
return torch.mm(X, w) + b
六、定义损失函数
我们使用平方损失来定义线性回归的损失函数。在实现中,我们需要把真实值y
变形成预测值y_hat
的形状。以下函数返回的结果也将和y_hat
的形状相同。
平方损失公式:
def squared_loss(y_hat, y): # 本函数已保存在d2lzh_pytorch包中方便以后使用
# 注意这里返回的是向量, 另外, pytorch里的MSELoss并没有除以 2
# y.view(y_hat.size())把真实值y变形成预测值y_hat的形状
return (y_hat - y.view(y_hat.size())) ** 2 / 2
七、定义优化算法
以下的sgd
函数实现了小批量随机梯度下降算法。它通过不断迭代模型参数来优化损失函数。这里自动求梯度模块计算得来的梯度是一个批量样本的梯度和。我们将它除以批量大小来得到平均值。
# params为更新的参数。lr为学习率
# 自动求梯度模块计算得来的梯度是一个批量样本的梯度和,将它除以批量大小来得到平均值
def sgd(params, lr, batch_size):
for param in params:
param.data -= lr * param.grad / batch_size # 注意这里更改param时用的param.data
八、模型训练
在训练中,我们将多次迭代模型参数。在每次迭代中,我们根据当前读取的小批量数据样本(特征X
和标签y
),通过调用反向函数backward
计算小批量随机梯度,并调用优化算法sgd
迭代模型参数。由于我们之前设批量大小batch_size
为10,每个小批量的损失l
的形状为(10, 1)。由于变量l
并不是一个标量,所以我们可以调用.sum()
将其求和得到一个标量,再运行l.backward()
得到该变量有关模型参数的梯度。注意在每次更新完参数后不要忘了将参数的梯度清零。
在一个迭代周期(epoch)中,我们将完整遍历一遍data_iter
函数,并对训练数据集中所有样本都使用一次(假设样本数能够被批量大小整除)。这里的迭代周期个数num_epochs
和学习率lr
都是超参数,分别设3和0.03。在实践中,大多超参数都需要通过反复试错来不断调节。虽然迭代周期数设得越大模型可能越有效,但是训练时间可能过长。
lr = 0.03 # 学习率
num_epochs = 3 # 迭代周期
net = linreg
loss = squared_loss
for epoch in range(num_epochs): # 训练模型一共需要num_epochs个迭代周期
# 在每一个迭代周期中,会使用训练数据集中所有样本一次(假设样本数能够被批量大小整除)。
# X和y分别是小批量样本的特征和标签
for X, y in data_iter(batch_size, features, labels):
l = loss(net(X, w, b), y).sum() # l是有关小批量X和y的损失
l.backward() # 小批量的损失对模型参数求梯度
sgd([w, b], lr, batch_size) # 使用小批量随机梯度下降迭代模型参数
# 不要忘了梯度清零
w.grad.data.zero_()
b.grad.data.zero_()
train_l = loss(net(features, w, b), labels)
print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))
训练输出:
epoch 1, loss 0.000054 epoch 2, loss 0.000054 epoch 3, loss 0.000054
训练完成后,我们可以比较学到的参数和用来生成训练集的真实参数。它们应该很接近。
参考书目:《动手学深度学习》(pytorch版) 李沐 著