系列文章目录
机器学习笔记——梯度下降、反向传播
机器学习笔记——用pytorch实现线性回归
机器学习笔记——pytorch实现逻辑斯蒂回归Logistic regression
机器学习笔记——多层线性(回归)模型 Multilevel (Linear Regression) Model
深度学习笔记——pytorch构造数据集 Dataset and Dataloader
深度学习笔记——pytorch解决多分类问题 Multi-Class Classification
深度学习笔记——pytorch实现卷积神经网络CNN
深度学习笔记——卷积神经网络CNN进阶
深度学习笔记——循环神经网络 RNN
深度学习笔记——pytorch实现GRU
前言
参考视频——B站刘二大人pytorch深度学习实践
一、多层线性模型
1.输入空间
在数据集中,我们将输入矩阵中的行叫做sample,即样本。
我们将输入矩阵的列叫做feature,特征或字段
2.多维模型
和一维的模型相比较,多维的样本,每一个维度的数值都要和权重相乘。可以将每一个样本输入看作一个列向量
(
x
1
x
2
.
.
.
x
n
)
\begin{pmatrix}x1 \\x2 \\... \\xn \end{pmatrix}
x1x2...xn
,权重w也是一个行向量(w1,w2…wn),二者转置相乘,得到一个标量,再加上偏置b。
Mini-Batch size时,即有多个样本输入时,可以看作矩阵运算。
3.多层模型
设置线性模型的输入输出维度。单层的神经网络,输入8维的矩阵,输出1维的矩阵
在多层的神经网络中,我们的目标是将多维的输入空间经过非线性的空间变换得到1维的输出空间。我们可以将输入的8维矩阵映射到6维空间中,通过引入激活函数
σ
\sigma
σ,给线性变换增加非线性的因子。 这样就使我们可以去拟合相应的非线性变换。
在神经网络中,我们可以通过一层神经网络将一个8维的空间降为6维的空间,再通过一层神经网络将为2维的空间…直至我们需要的输出空间的维度
也可以先上升再降低,比如8维→24维→12维→6维…
一般来说中间的层数越多,代表模型的学习能力越强,但并不一定代表模型越好,因为模型也会学到很多噪声,造成过拟合。模型应当要具有一定的泛化能力。
维度可以随意的改变,但如何选择合适的维度变换,需要通过超参数搜索。
模型结构图,8维的输入通过第一层线性模型映射成为6维,通过sigmoid激活函数将每个维度的值映射到0—1区间上,尔后又通过第二层的线性模型将6维空间映射到4维空间上,继续通过sigmoid激活函数将每个维度的值映射到0—1区间上,最后通过第三层线性模型将4维空间映射成1维,通过sigmoid激活函数映射到0—1区间上,最后输出我们的预测值。
4.损失函数和优化器
5.激活函数
除了sigmoid激活函数,还有如下等多种激活函数
二、实现代码
1.数据集简介
数据集使用的是糖尿病数据集
是一个8维的数据,第九列是y
y=0代表患糖尿病风险减少,y=1代表患糖尿病风险增加
2.代码
#!/user/bin/env python3
# -*- coding: utf-8 -*-
"""
多层线性回归模型,逻辑斯蒂回归
数据集使用的是糖尿病数据集
是一个8维的数据,第九列是y
y=0 代表患糖尿病风险减少,y=1 代表患糖尿病风险增加
"""
import numpy as np
import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
# 数据集
# 训练集
xy = np.loadtxt(r'dataset/diabetes.csv.gz', delimiter=',', dtype=np.float32) # 读取数据,用逗号分隔,类型是float32
x_data = torch.from_numpy(xy[:, :-1]) # 输入数据,所有行,第一列到倒数第二列 从numpy里面创建tensor
y_data = torch.from_numpy(xy[:, [-1]]) # 结果,所有行,最后一列 从numpy里面创建tensor
# 测试集
# 绘图数据
epoch_list = []
loss_list = []
# 模型
class MultilevelLinearModel(torch.nn.Module):
def __init__(self):
super(MultilevelLinearModel, self).__init__()
# 三层线性模型
self.Linear1 = torch.nn.Linear(8, 6) # 8维降至6维
self.Linear2 = torch.nn.Linear(6, 4) # 6维降至4维
self.Linear3 = torch.nn.Linear(4, 1) # 4维降至1维
# 激活函数
self.activate = torch.nn.ReLU() # ReLU作为激活函数
def forward(self, x):
x = self.activate(self.Linear1(x))
x = self.activate(self.Linear2(x))
x = F.sigmoid(self.Linear3(x))
return x
if __name__ == '__main__':
# 模型
model = MultilevelLinearModel()
# 损失函数
criterion = torch.nn.BCELoss() # 交叉熵损失
# 优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
# 训练
for epoch in range(100):
# forward
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print('epoch:', epoch, 'loss=', loss.item())
# backward
optimizer.zero_grad() # 梯度清零
loss.backward() # 反向传播
# update
optimizer.step()
# 绘图数据
epoch_list.append(epoch)
loss_list.append(loss.item())
# 绘图
plt.plot(epoch_list, loss_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()
3.结果
上图是使用ReLU作为激活函数的结果
下面有一份只使用sigmiod作为激活函数的结果图
似乎只使用sigmoid函数作为激活函数的收敛速度更快。