一、线性回归的基本要素
1.模型:设为
y
=
w
1
x
1
+
w
2
x
2
+
b
y=w_1x_1+w_2x_2+b
y=w1x1+w2x2+b
2.数据集:已知一些样本,每一个样本由
x
1
x_1
x1,
x
2
x_2
x2,
y
y
y组成,希望通过训练这些样本得到模型中参数
w
1
w_1
w1,
w
2
w_2
w2,
b
b
b的值。
x
1
x_1
x1,
x
2
x_2
x2称为特征(feature),
y
y
y称为标签(label)。
3.损失函数:采用平方函数。
4.优化函数:采用小批量随机梯度下降法(mini-batch stochastic gradient descent):数据集中一部分样本做训练,修正模型参数。
二、线性回归的从零开始的实现
1.使用autograd模块自动求梯度
对函数 y = 2 x T x y=2x^Tx y=2xTx求关于列向量的梯度,容易知道结果是 4 x 4x 4x,可以检验代码的正确性:
from mxnet import autograd,nd
#定义要求导的函数
def f(x):
y=2*nd.dot(x.T,x)
return y
x=nd.arange(4).reshape(4,1)#x为4行1列的向量
print("x:%s"%x)
x.attach_grad()#申请存储梯度所需要的内存
with autograd.record():#record()函数记录与求梯度有关的计算
y=f(x)
y.backward()#调用backward()函数自动求梯度。如果y不是标量,则返回的是对y求和以后的变量关于x的梯度
x_grad=x.grad#y关于x的梯度
print("y关于x的梯度:%s"%x_grad)
"""x:
[[0.]
[1.]
[2.]
[3.]]
<NDArray 4x1 @cpu(0)>
y关于x的梯度:
[[ 0.]
[ 4.]
[ 8.]
[12.]]
<NDArray 4x1 @cpu(0)>"""
2.生成数据集
from mxnet import nd
num_inputs=2
num_examples=1000
true_w=[2,-3.4]
true_b=4.2
features=nd.random.normal(loc=0,scale=1,shape=(num_examples,num_inputs))
labels=nd.dot(features,nd.array(true_w).reshape(2,1))+nd.array([true_b])#参数转换成NDArray类型再做矩阵乘法
labels+=nd.random.normal(loc=0,scale=0.01,shape=labels.shape)
print(features[0],labels[0])
#[ 1.4642214 -1.3058136]
#<NDArray 2 @cpu(0)>
#[11.562276]
#<NDArray 1 @cpu(0)>
3.读取数据
import random
def data_iter(batch_size,features,labels):
"""将数据集打乱,再分批读取出来
batch_size:每次输出的样本的个数;
features:样本的输入值,是NDArray类型;
labels:样本的输出值,是NDArray类型"""
num_examples=len(features)
indices=list(range(num_examples))
random.shuffle(indices)#获取样本的下标是乱序的
for i in range(0,num_examples,batch_size):
j=indices[i:min(i+batch_size,num_examples)]
j=nd.array(j)#由于输入、输出都是NDArray类型,使用的下标也必须是NDArray类型
yield features.take(j),labels.take(j)
4.定义模型、损失函数、优化函数
def linreg(X,w,b):
"""线性函数
X:样本的输入值构成的矩阵,NDArray类型;
w:权重,NDArray类型;
b:偏差,NDArray类型"""
return nd.dot(X,w)+b
def squared_loss(y_hat,y):
"""平方损失函数
y_hat:预测值,NDArray类型;
y:真实输出值,NDArray类型"""
return (y_hat-y)**2/2
def sgd(params,lr,batch_size):
"""小批量随机梯度下降法
params:待更新的参数;
lr:学习率;
batch_size:小批量的量具体数值"""
for param in params:
param-=lr*param.grad/batch_size
5.训练模型
batch_size=10#小批量的量的具体数值
w=nd.random.normal(scale=0.01,shape=(num_inputs,1))
b=nd.zeros(shape=(1,))
w.attach_grad()#申请存储梯度所需要的内存,写在循环里面很不理智
b.attach_grad()
num_epochs=3#训练次数
lr=0.03#学习率
net=linreg
loss=squared_loss
for epoch in range(num_epochs):
for X,y in data_iter(batch_size,features,labels):
with autograd.record():
l=loss(net(X,w,b),y)#NDArray类型,shape为(bach_size,1)
l.backward()#loss不是标量,会自动求loss的sum()函数,对于它求关于参数的梯度
sgd([w,b],lr,batch_size)
train_l=loss(net(features,w,b),labels)
print("epoch %d,loss %f"%(epoch+1,train_l.asnumpy().sum()/len(train_l)))
#epoch 1,loss 0.035605
#epoch 2,loss 0.000127
#epoch 3,loss 0.000050
参数结果与真实值比较:
true_w,w
#([2, -3.4],
#[[ 2.0003219]
# [-3.3994198]]
# <NDArray 2x1 @cpu(0)>)
true_b,b
#([4.2],
# [4.19918]
# <NDArray 1 @cpu(0)>)