目标:根据带有噪声的线性模型构造一个数据集,使用这个有限样本的数据集来恢复这个模型的参数。
1完整代码
import matplotlib.pyplot as plt
import random
import torch
# 1.生成数据
def make_line(w,b,num):
'''生成y=Xw+b的噪声'''
X=torch.normal(0,1,(num,len(w)))
y=torch.matmul(X,w)
y+=torch.normal(0,0.01,y.shape) #y.shape=torch.Size([10]))
return X,y.reshape((-1,1))
true_b=2.2
true_w=torch.tensor([1,-1.0])
features,labels=make_line(true_w,true_b,1000)
plt.scatter(features[:,1].detach().numpy(),labels.detach().numpy(),1)
plt.show()
# 2.读取数据
def data_iter(batch_size, features, labels):
num_examples = len(features)
indices = list(range(num_examples))
# random.shuffle()将列表中的元素打乱顺序,不会生成新的列表
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
for X, y in data_iter(batch_size, features, labels):
print(X, '\n', y)
break
# 3.初始化模型参数
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
# 4.定义模型
def linreg(X, w, b): #@save
"""线性回归模型"""
return torch.matmul(X, w) + b
# 5.定义损失
def squared_loss(y_hat, y): #@save
"""均方损失"""
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
# 6.定义优化函数
def sgd(params, lr, batch_size): #@save
"""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_() #将梯度清零,调用backward()函数之前都要将梯度清零
# 7.训练
lr = 0.03
num_epochs = 3
net = linreg
loss = squared_loss
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
# 形状是(batch_size,1),并以此计算关于[w,b]的梯度
#只有在损失函数部分才计算梯度和反向传播!!!!!
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}')
print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')
2代码解读
-
生成数据集
函数返回y.reshape((-1,1))表示n行1列,此处n为10。
'''
def make_line(w,b,num):
#生成y=Xw+b的噪声
X=torch.normal(0,1,(num,len(w)))
y=torch.matmul(X,w)
y+=torch.normal(0,0.01,y.shape) #y.shape=torch.Size([10]))
return X,y.reshape((-1,1))
'''
num=10
b=2.2
w=torch.tensor([1,-1.0])
X=torch.normal(0,1,(num,len(w)))#生成一个服从正态分布(均值为0,标准差为1)的随机张量 X ,形状为 (num_examples, len (w))
y=torch.matmul(X,w)+b #torch.matmul是tensor的乘法
X,y
'''
(tensor([[ 0.7024, 0.3976],
[ 2.1294, 0.8327],
[-1.3280, -2.1725],
[ 0.1898, -0.1437],
[ 1.5449, 0.3905],
[-1.3068, 0.2683],
[ 1.5798, 0.1497],
[-1.5119, 0.6654],
[ 0.2330, 0.5374],
[-0.5737, -0.0282]]),
tensor([2.5048, 3.4967, 3.0446, 2.5335, 3.3545, 0.6249, 3.6301, 0.0227, 1.8956,
1.6545]))
'''
jupyter画散点图时,总是说内核错误,则在代码开头加上下面两行代码。
注意在使用matplotlib画图时,tensor数据类型要转换为numpy。
import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'
# detach 意为分离,但得到的张量不会具有梯度,且分离前后共用一个内存。
plt.scatter(features[:,1].detach().numpy(),labels.detach().numpy(),1)
plt.show()
-
读取数据集
data_iter()函数能打乱数据集中的样本并以小批量方式获取数据;该函数接收批量大小、特征矩阵(x)和标签向量(y)。
使用了yield的函数被称为生成器,每次遇到 yield 时函数会暂停,保存并返回当前所有的运行信息;调用for 或者 next()方法后,函数接着上一次停留的位置继续往下运行,遇到另一个yield关键字便又暂停运行。
batch_size = 10
for X, y in data_iter(batch_size, features, labels):
print(X, '\n', y)
break
'''
tensor([[ 0.0078, 1.3581],
[ 1.0752, 0.3560],
[-0.8574, 0.8552],
[-0.9514, -0.2814],
[-1.1531, 0.7699],
[ 0.4275, 0.9260],
[-1.6528, 1.7994],
[-1.4458, 0.7721],
[-0.7070, -1.1614],
[ 0.1848, -0.1508]])
tensor([[-1.3410],
[ 0.7201],
[-1.7022],
[-0.6615],
[-1.9121],
[-0.4720],
[-3.4472],
[-2.2019],
[ 0.4618],
[ 0.3331]])
'''
-
模型及其参数
初始化参数之后,我们的任务是更新这些参数,直到这些参数足够拟合我们的数据。
定义的模型要将模型的输入和参数同模型的输出关联起来,使用广播机制将 Xw向量 和 b标量 结合起来(torch.matmul()就是矩阵乘法)。
-
损失及优化
我们计算梯度实际上计算的是损失函数的梯度。
优化函数就是用来最小化损失函数的(损失函数往往不是凸函数,不好求最小值,但可以求极小值)。
在每一步中,使用从数据集中随机抽取的一个小批量,然后根据参数计算损失的梯度。 接下来,朝着减少损失的方向更新我们的参数(模型参数集合、学习速率和批量大小)。
常见的优化函数:梯度下降法及其变种; 随机梯度下降法(SGD); 动量优化算法; 自适应学习率算法。
代码中的 with torch.no_grad(): ,在该模块下,所有计算得出的tensor的requires_grad都自动设置为False(不代表里面涉及到的变量的梯度全部消失了,只是说没有再继续计算)。
-
训练
训练将循环执行:初始化参数、计算梯度、更新参数。
这里的迭代周期个数num_epochs和学习率lr都是超参数,分别设为3和0.03。 设置超参数需要通过反复试验进行调整。
2线性回归简介实现
第一节的部分只(1)通过张量来进行数据存储和线性代数; (2)通过自动微分来计算梯度。 实际上,由于数据迭代器、损失函数、优化器和神经网络层很常用, 本节就调用深度学习组件库实现线性回归。
import random
import torch
from torch.utils import data
import numpy as np
from d2l import torch as d2l
# nn是神经网络的缩写
from torch import nn
# 1.生成数据集
true_b=2.2
true_w=torch.tensor([1,-1.0])
features,labels=d2l.synthetic_data(true_w,true_b,1000)
# 2.读取数据集
def load_array(data_arrays, batch_size, is_train=True): #@save
"""构造一个PyTorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays)
return data.DataLoader(dataset, batch_size, shuffle=is_train)
batch_size = 10
data_iter = load_array((features, labels), batch_size)
# 3.定义模型
net = nn.Sequential(nn.Linear(2, 1))
# 4.初始化模型参数
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)
# 5.定义损失
loss = nn.MSELoss()
# 6.定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
# 7.训练
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X) ,y)
trainer.zero_grad()
l.backward()
trainer.step()
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
w = net[0].weight.data
print('w的估计误差:', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差:', true_b - b)
读取数据 load_array()、data_iter
# 布尔值is_train表示是否希望数据迭代器对象在每个迭代周期内打乱数据。
# TensorDataset 可以用来对 tensor 进行打包(类似 zip 功能),其第一维度必须相等。
函数是以迭代器的形式返回的,所以在查看数据时,可以使用next(iter(data_iter))
网络net
由于线性回归的输入都是通过矩阵-向量乘法得到的每个输出,所以这个单层也叫全连接层。
net为 Sequential( (0): Linear(in_features=2, out_features=1, bias=True) )
所以net[0]表示输入:
.weight.data:得到的是一个Tensor的张量(向量),不可训练的类型
.weight:得到的是一个parameter的变量,可以计算梯度的