线性回归
在我们开始考虑如何用模型拟合(fit)数据之前,我们需要确定一个拟合程度的度量。 损失函数(loss function)能够量化目标的实际值与预测值之间的差距。
解析解:能用公式表达出来的解(对问题的限制很严格)
即使在我们无法得到解析解的情况下,我们仍然可以有效地训练模型。 在许多任务上,那些难以优化的模型效果要更好。 因此,弄清楚如何训练这些难以优化的模型是非常重要的。
梯度下降
线性回归优化方法:梯度下降
小批量随机梯度下降:
b是batch size
随机采样b个样本
最简单的用法是计算损失函数关于模型参数的导数
但实际中的执行可能会非常慢:因为在每一次更新参数之前,我们必须遍历整个数据集。 因此,我们通常会在每次需要计算更新的时候随机抽取一小批样本, 这种变体叫做小批量随机梯度下降
总结:
- 梯度下降是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的默认解法
- 重要超参:batch size和lr
代码实现
从0开始手撕:
import torch
import random
# make a dataset with noises
# w = [2,-3.4] b = 4.2 (已知 w,b)
def synthetic_data(w, b, num_examples):
x = torch.normal(0, 1, (num_examples, len(w)))
y = torch.matmul(x, w) + b
y += torch.normal(0, 0.01, y.shape)
return x, y.reshape((-1, 1))
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
# data_iter 接受batch_size, features, labels为输入,生成大小为batch_size的小批量
def data_iter(batch_size, features, labels):
num_examples = len(features)
indices = list(range(num_examples))
# 随机读取小批量
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
# 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)
# requires_grad需要计算梯度
# 定义模型
def linreg(X, w, b):
"""线性回归模型"""
return torch.matmul(X, w) + b
# 定义loss function
def squared_loss(y_har, y):
"""均方损失"""
return (y_har - y.reshape(y_har.shape))**2 / 2
# 定义优化算法
def sgd(params, lr, batch_size):
"""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_() # 手动把梯度设为0,下一次计算和上一次不相关
lr = 0.03
num_epochs = 3 # 整个数据迭代三遍
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) # l是有关小批量X和y的损失
# 因为l的形状是(batch_size, 1),而不是一个标量。l.sum()将l的所有元素求和得到一个标量
# 再调用backward()自动求['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}')
用pytorch简化写法:
# 调用现有API实现线性回归框架
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000) # synthetic_data内置函数
def load_array(data_arrays, batch_size, is_train=True):
"""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)
next(iter(data_iter))
# 使用框架的预定义好的层
# nn是神经网络的缩写
from torch import nn
net = nn.Sequential(nn.Linear(2, 1)) # 按顺序放在一起
# 初始化模型参数
net[0].weight.data.normal_(0, 0.01) # 用正态分布替换data的值
net[0].bias.data.fill_(0) # bias是偏差,设置为0
loss = nn.MSELoss() # 均方损失
# net.parameters包括w和b
trainer = torch.optim.SGD(net.parameters(), lr=0.03) # 优化器
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X), y)
trainer.zero_grad()
# trainer.是优化器,zero_grad()是梯度清零
l.backward()
# pytorch已经做了sum了,不需要求sum了
trainer.step()
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')