模型选择、欠拟合和过拟合

1、引入包

import math
import numpy as np
import torch
from torch import nn
from d2l import torch as d2l

2、设置阶数、训练测试集的大小、初始化w

# 多项式的最大阶数 确定w向量的维度（1，20）
max_degree = 20
# 训练和测试数据集大小
n_train, n_test = 100, 100  
# 分配大量的空间 np.zeros是创建为0的向量 
true_w = np.zeros(max_degree)  
true_w[0:4] = np.array([5, 1.2, -3.4, 5.6])

3、生成相应特征，poly_features记录不同阶数的x

# 生成（200，1）的特征
features = np.random.normal(size=(n_train + n_test, 1))
# 将生成的特征打乱
np.random.shuffle(features)
# poly_features 生成（200，20）的向量
# np.arange(max_degree).reshape(1, -1)表示x的次数
# poly_features存放的是features经过次方的数据
poly_features = np.power(features, np.arange(max_degree).reshape(1, -1))

4、生成真实labels

# math.gamma()表示的是伽玛函数
# 存储在poly_features中的单项式由gamma函数重新缩放 这里的作用有点不太懂
for i in range(max_degree):
    poly_features[:, i] /= math.gamma(i + 1)  # gamma(n)=(n-1)!
    
# labels的维度:(n_train+n_test,)

# np.dot表示矩阵的乘法 poly_features（200，20）true_w（1，20）
labels = np.dot(poly_features, true_w) 
# 参数scale表示正态分布的标准差,这里相当于来个一个bias
labels += np.random.normal(scale=0.1, size=labels.shape)

5、获取相应数据

# 使用pytorch要将numpy的东西转换为tensor的东西
# NumPy ndarray转换为tensor
true_w, features, poly_features, labels = [
    # 这种语句的书写自己要学会
    torch.tensor(x, dtype=
    torch.float32) for x in 
    [true_w, features, poly_features, labels]
]

6、观察获取数据形状

# 观察每个变量的具体形状
true_w.shape,features.shape,poly_features.shape,labels.shape

7、观察具体特征类型

features[:2], poly_features[:2, :], labels[:2]

8、定义损失函数

 def evaluate_loss(net, data_iter, loss):  #@save
    """评估给定数据集上模型的损失"""
    # d2l.Accumulator(2)创建两个单位，存放总loss和单位数量
    # 损失的总和,样本数量
    metric = d2l.Accumulator(2)  
    # 传入数据data_iter
    for X, y in data_iter:
        # out为预测y的值
        out = net(X)
        # y是真实的y的值
        y = y.reshape(out.shape)
        # 根据定义的loss函数计算损失
        l = loss(out, y)
        # l.sum()总损失 l.numel()相等于总共l的数量
        metric.add(l.sum(), l.numel())
    return metric[0] / metric[1]

 9、训练模型

# 传入训练特征，测试特征，训练标签，测试标签，迭代次数
# 最重要的部分
def train(train_features, test_features, train_labels, test_labels,
          num_epochs=400):
    # 定义loss为nn.MSELoss(reduction='none') 即均方损失函数
    loss = nn.MSELoss(reduction='none')
    # 输入的形状为train.features的列数
    input_shape = train_features.shape[-1]
    # 不设置偏置，因为我们已经在多项式中实现了它
    # nn.Linear表示定义为线性模型
    # 表示一个形状（input_shape,1）
    net = nn.Sequential(nn.Linear(input_shape, 1, bias=False))
    # 选择小批量大小
    batch_size = min(10, train_labels.shape[0])
    # d2l.load_array传入相应的数据
    train_iter = d2l.load_array((train_features, train_labels.reshape(-1,1)),
                                batch_size)
    test_iter = d2l.load_array((test_features, test_labels.reshape(-1,1)),
                               batch_size, is_train=False)
    # 选择SGD小批量梯度优化器去更新w和b
    trainer = torch.optim.SGD(net.parameters(), lr=0.01)
    # d2l.Animator动画显示训练和验证集损失情况
    animator = d2l.Animator(xlabel='epoch', ylabel='loss', yscale='log',
                            xlim=[1, num_epochs], ylim=[1e-3, 1e2],
                            legend=['train', 'test'])
    # 依次迭代训练，num_epochs=400
    for epoch in range(num_epochs):
        # d2l.train_epoch_ch3表示迭代一次
        d2l.train_epoch_ch3(net, train_iter, loss, trainer)
        # 每迭代20次画一个图
        if epoch == 0 or (epoch + 1) % 20 == 0:
            animator.add(epoch + 1, (evaluate_loss(net, train_iter, loss),
                                     evaluate_loss(net, test_iter, loss)))
    # 默认w的输出方式
    print('weight:', net[0].weight.data.numpy())

10、取4个维度训练

# 从多项式特征中选择前4个维度，即1,x,x^2/2!,x^3/3!
# n_train为100，一半测试集一半训练集
train(poly_features[:n_train, :4], poly_features[n_train:, :4],
      labels[:n_train], labels[n_train:])

相对正常情况

11、 取2个维度训练

# 从多项式特征中选择前2个维度，即1和x
train(poly_features[:n_train, :2], poly_features[n_train:, :2],
      labels[:n_train], labels[n_train:])

12、 取所有维度进行训练

# 从多项式特征中选取所有维度
train(poly_features[:n_train, :], poly_features[n_train:, :],
      labels[:n_train], labels[n_train:], num_epochs=1500)