目录
生成数据集
import numpy as np
import torch
from torch.utils import data # 用于PyTorch中的数据加载和预处理。它提供了一些工具和类,可以帮助我们更方便地处理数据集,例如数据集的读取、转换、划分、批量处理等。
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)
读取数据集
我们可以[调用框架中现有的API来读取数据]。 我们将features
和labels
作为API的参数传递,并通过数据迭代器指定batch_size
。此外,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。
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) # TensorDataset可以用来对 tensor 进行打包,包装成dataset。
return data.DataLoader(dataset, batch_size, shuffle=is_train) # DataLoader是PyTorch中读取数据的一个重要接口,基本上用PyTorch训练模型都会用到。这个接口的目的是:将自定义的Dataset根据batch size大小、是否shuffle等选项封装成一个batch size大小的Tensor,后续只需要再包装成Variable即可作为模型输入用于训练。
batch_size = 10
data_iter = load_array((features, labels), batch_size)
使用iter
构造Python迭代器,并使用next
从迭代器中获取第一项。
next(iter(data_iter))
[tensor([[ 0.1554, -0.2034], [-0.2140, 1.0352], [-0.4209, 0.0428], [ 0.1887, 0.6141], [ 0.4987, -0.2314], [ 0.0653, 1.6406], [-1.1881, 0.2900], [-0.2824, 0.5910], [ 0.9963, -0.1816], [-1.6830, -1.3963]]), tensor([[ 5.2116], [ 0.2479], [ 3.2188], [ 2.4845], [ 5.9884], [-1.2453], [ 0.8441], [ 1.6217], [ 6.8072], [ 5.5692]])]
定义模型
对于标准深度学习模型,我们可以使用框架的预定义好的层。这使我们只需关注使用哪些层来构造模型,而不必关注层的实现细节。 我们首先定义一个模型变量net
,它是一个Sequential
类的实例。Sequential
类将多个层串联在一起。当给定输入数据时,Sequential
实例将数据传入到第一层,然后将第一层的输出作为第二层的输入,以此类推。 我们的模型只包含一个层,实际上不需要Sequential
。但是由于以后几乎所有的模型都是多层的,在这里使用Sequential
会让你熟悉“标准的流水线”。
回顾 :numref:fig_single_neuron
中的单层网络架构,这一单层被称为全连接层(fully-connected layer),因为它的每一个输入都通过矩阵-向量乘法得到它的每个输出。
在PyTorch中,全连接层在Linear
类中定义。值得注意的是,我们将两个参数传递到nn.Linear
中。第一个指定输入特征形状,即2,第二个指定输出特征形状,输出特征形状为单个标量,因此为1。
# nn是神经网络的缩写
from torch import nn
net = nn.Sequential(nn.Linear(2, 1))
(初始化模型参数)
深度学习框架通常有预定义的方法来初始化参数。 在这里,我们指定每个权重参数应该从均值为0、标准差为0.01的正态分布中随机采样, 偏置参数将初始化为零。
正如我们在构造nn.Linear
时指定输入和输出尺寸一样,现在我们能直接访问参数以设定它们的初始值。我们通过net[0]
选择网络中的第一个图层,然后使用weight.data
和bias.data
方法访问参数。我们还可以使用替换方法normal_
和fill_
来重写参数值。
net[0].weight.data.normal_(0, 0.01) # 用均值为0,方差为0.01的正态分布代替第0层的权重。
net[0].bias.data.fill_(0) # 将第0层的偏差用0来代替。
tensor([0.]) # net[0].bias.data.fill_(0)
定义损失函数
计算均方误差使用的是MSELoss
类,也称为平方L_2范数。默认情况下,它返回所有样本损失的平均值。
loss = nn.MSELoss()
定义优化算法
小批量随机梯度下降算法是一种优化神经网络的标准工具,PyTorch在optim
模块中实现了该算法的许多变种。当我们实例化一个SGD
实例时,我们要指定优化的参数(可通过net.parameters()
从我们的模型中获得)以及优化算法所需的超参数字典。小批量随机梯度下降只需要设置lr
值,这里设置为0.03。
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
训练
在每个迭代周期里,我们将完整遍历一次数据集(train_data
),不停地从中获取一个小批量的输入和相应的标签。 对于每一个小批量,我们会进行以下步骤:
-
通过调用
net(X)
生成预测并计算损失l
(前向传播)。 -
通过进行反向传播来计算梯度。
-
通过调用优化器来更新模型参数。
为了更好的衡量训练效果,我们计算每个迭代周期后的损失,并打印它来监控训练过程。
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X) ,y)
trainer.zero_grad() # 梯度清零
l.backward()
trainer.step() # 对模型进行一次更新
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
epoch 1, loss 0.000183 epoch 2, loss 0.000101 epoch 3, loss 0.000101
下面我们[比较生成数据集的真实参数和通过有限数据训练获得的模型参数]。 要访问参数,我们首先从net
访问所需的层,然后读取该层的权重和偏置。
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)
w的估计误差: tensor([-0.0003, -0.0002]) b的估计误差: tensor([8.1062e-06])