《动手深度学习》线性回归和基础优化算法

一、线性模型

1、

2、损失函数

3、参数学习

训练损失：

最小化损失来学习参数：

4、显示解

5、总结

线性回归是对n维输入的加权，外加偏差

使用平方损失来衡量预测值和真实值的差异

线性回归有显示解

线性回归可以看做是单层神经网络

二、基础优化方法

1、梯度下降

2、小批量随机梯度下降

随机采用b个样本来近似损失：

b是批量大小，另一个重要的超参数

3、总结

梯度下降通过不断沿着反梯度方向更新参数求解

小批量随机梯度下降是深度学习默认的求解算法

两个重要的超参数是批量大小和学习率

三、线性回归从零开始实现

1、创建数据集
def synthetic_data(w, b, num_examples):  #@save
    """生成y=Xw+b+噪声"""
    X = torch.normal(0, 1, (num_examples, len(w))) //均值为0，标准差为1，n个样本，w个列
    y = torch.matmul(X, w) + b  //y = x * w + b
    y += torch.normal(0, 0.01, y.shape) //加一个随机噪音
    return X, y.reshape((-1, 1)) //-1代表自动计算维度，1代表1列

true_w = torch.tensor([2, -3.4])  //定义真实的w
true_b = 4.2  //定义真实的b
features, labels = synthetic_data(true_w, true_b, 1000) //创建数据集

2、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。 每个小批量包含一组特征和标签。

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 //定义批量大小

for X, y in data_iter(batch_size, features, labels): //data_iter生成的结果返回给x，y
    print(X, '\n', y)
    break

3、初始化参数
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)

4、初始化模型

def linreg(X, w, b):  #@save
    """线性回归模型"""
    return torch.matmul(X, w) + b //返回预测值

5、定义损失函数

def squared_loss(y_hat, y):  #@save //y_hat预测值，y为真实值
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

6、定义优化算法

def sgd(params, lr, batch_size):  #@save //输入参数，学习率，批量大小
    """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_() //把梯度设0，下次就不相关了

7、训练

lr = 0.03  //学习率
num_epochs = 3  //把整个数据扫描3次
net = linreg  //线性模型
loss = squared_loss  //损失函数

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}')