在了解了线性回归的背景知识之后,现在我们可以动手实现它了。尽管强大的深度学习框架可以减少大量重复性工作,但若过于依赖它提供的便利,会导致我们很难深入理解深度学习是如何工作的。因此,本节将介绍如何只利用
Tensor
和
autograd
来实现一个线性回归的训练。
import torch
from matplotlib import pyplot as plt
import numpy as np
import random
生成数据集
n_samples, n_features = 1000, 2
true_w, true_b = [2, -3.4], 4.2
train_features = torch.tensor(np.random.normal(0, 1, (n_samples, n_features)), dtype=torch.float)
train_labels = true_w[0] * train_features[:, 0] + true_w[1] * train_features[:, 1] + true_b
Pytorch读取数据
import torch.utils.data as Data
batch_size = 10
# 将训练数据的特征和标签组合起来
dataset = Data.TensorDataset(train_features, train_labels)
# 随机读取小批量数据
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
打印第一个小批量数据样本:
for X, y in data_iter:
print(X)
print(y)
break
tensor([[-1.5092, -1.8423],
[-1.8254, -1.2151],
[-0.9875, -0.2694],
[ 0.8320, 2.4324],
[-0.7053, 0.7679],
[-1.0079, 0.6050],
[ 0.7001, 0.5371],
[ 1.2323, -0.3061],
[-0.9670, -1.1892],
[ 2.2475, 0.9057]])
tensor([ 7.4456, 4.6806, 3.1410, -2.4062, 0.1785, 0.1271, 3.7740, 7.7054,
6.3095, 5.6158])
定义模型
Pytorch提供了大量预定义的层,我们只需关注使用哪些层来构造模型即可。
首先,导入torch.nn
模块。实际上,“nn”是neural networks(神经网络)的缩写。顾名思义,该模块定义了大量神经网络的层。之前我们已经用过了autograd
,而nn
就是利用autograd
来定义模型。nn
的核心数据结构是Module
,它是一个抽象概念,既可以表示神经网络中的某个层(layer),也可以表示一个包含很多层的神经网络。在实际使用中,最常见的做法是继承nn.Module
,撰写自己的网络/层。一个nn.Module
实例应该包含一些层以及返回输出的前向传播(forward)方法。
下面先来看看如何用nn.Module
实现一个线性回归模型:
class LinearNet(nn.Module):
def __init__(self, n_features):
super().__init__()
self.linear = nn.Linear(n_features, 1)
def forward(self, x):
return self.linear(x)
net = LinearNet(n_features)
print(net)
LinearNet(
(linear): Linear(in_features=2, out_features=1, bias=True)
)
我们也可以用 nn.Sequential
来更加方便的搭建网络, Sequential
是一个有序的容器,网络层将按照在传入 Sequential
的顺序依次被添加到计算图中
# 写法一
net1 = nn.Sequential(
nn.Linear(n_features, 1)
)
print(net1)
# 写法二
net2 = nn.Sequential()
net2.add_module('linear', nn.Linear(n_features, 1))
print(net2)
# 写法三
from collections import OrderedDict
order_dict = OrderedDict([
('linear', nn.Linear(n_features, 1))
])
net3 = nn.Sequential(order_dict)
print(net3)
Sequential(
(0): Linear(in_features=2, out_features=1, bias=True)
)
Sequential(
(linear): Linear(in_features=2, out_features=1, bias=True)
)
Sequential(
(linear): Linear(in_features=2, out_features=1, bias=True)
)
可以通过 net.parameters()
来查看模型所有的可学习参数,此函数将返回一个生成器:
for param in net.parameters():
print(param)
Parameter containing:
tensor([[-0.2759, 0.6097]], requires_grad=True)
Parameter containing:
tensor([-0.5925], requires_grad=True)
作为一个单层神经网络,线性回归输出层中的神经元和输入层中各个输入完全连接,因此,线性回归的输出层又叫全连接层
注意: torch.nn
仅支持输入一个batch的样本,不支持单个样本输入,如果只有单个样本,可以使用 input.unsqueeze(0)
来添加一维
初始化模型参数
在使用net
前,我们需要初始化模型参数,如线性回归模型中的权重和偏差。PyTorch在init
模块中提供了多种参数初始化方法。这里的init
是initializer
的缩写形式。我们通过init.normal_
将权重参数每个元素初始化为随机采样于均值为0、标准差为0.01的正态分布。偏差会初始化为零
from torch.nn import init
init.normal_(net[0].weight, mean=0, std=0.01)
init.constant_(net[0].bias, val=0) # 也可以直接修改bias的data: net[0].bias.data.fill_(0)
定义损失函数
PyTorch在nn
模块中提供了各种损失函数,这些损失函数可看作是一种特殊的层,PyTorch也将这些损失函数实现为nn.Module
的子类。我们现在使用它提供的均方误差损失作为模型的损失函数。
loss = nn.MSELoss()
定义优化算法
torch.optim
模块提供了很多常用的优化算法比如SGD、Adam和RMSProp等。下面我们创建一个用于优化net
所有参数的优化器实例,并指定学习率为0.03的小批量随机梯度下降(SGD)为优化算法。
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03)
optimizer
SGD (
Parameter Group 0
dampening: 0
lr: 0.03
momentum: 0
nesterov: False
weight_decay: 0
)
我们还可以为不同子网络设置不同的学习率,这在finetune
时经常用到。例:
optimizer2 = optim.SGD([
# 如果对某个参数不指定学习率,就使用最外层的默认学习率
{
'params': net.subnet1.parameters()
},
{
'params': net.subnet2.parameters(),
'lr': 0.01
}
], lr=0.03)
有时候我们不想让学习率固定成一个常数,那如何调整学习率呢?主要有两种做法。一种是修改optimizer.param_groups
中对应的学习率,另一种是更简单也是较为推荐的做法——新建优化器,由于optimizer十分轻量级,构建开销很小,故而可以构建新的optimizer。但是后者对于使用动量的优化器(如Adam),会丢失动量等状态信息,可能会造成损失函数的收敛出现震荡等情况。
# 调整学习率为之前的0.1倍
for param_group in optimizer.param_groups:
param_group['lr'] *= 0.1
训练模型
我们通过调用optim
实例的step
函数来迭代模型参数。按照小批量随机梯度下降的定义,我们在step
函数中指明批量大小,从而对批量中样本梯度求平均。
num_epochs = 3
for epoch in range(1, num_epochs + 1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
# 梯度清零,等价于net.zero_grad()
optimizer.zero_grad()
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
epoch 1, loss: 10.941267
epoch 2, loss: 2.379056
epoch 3, loss: 0.683022
下面我们分别比较学到的模型参数和真实的模型参数。我们从net
获得需要的层,并访问其权重(weight
)和偏差(bias
)。学到的参数和真实的参数很接近。
dense = net[0]
print(dense.weight)
print(dense.bias)
Parameter containing:
tensor([[ 1.6598, -2.7395]], requires_grad=True)
Parameter containing:
tensor([3.4061], requires_grad=True)
小结
torch.utils.data
模块提供了有关数据处理的工具torch.nn
模块定义了大量神经网络的层torch.nn.init
模块定义了各种初始化方法torch.optim
模块提供了很多常用的优化算法