只使用张量和自动求导从零开始实现整个方法。
%matplotlib inline
#导入库
import random
import torch
from d2l import torch as d2l
3.2.1 生成数据集
- 使用线性模型参数
w
=
[
2
,
−
3.4
]
T
、
b
=
4.2
\mathbf{w} =[2, -3.4]^{T}、b=4.2
w=[2,−3.4]T、b=4.2和噪声项
ϵ
\epsilon
ϵ生成数据集及其标签:
y = X b + b + ϵ , ϵ ∈ N ( 0 , 0.01 ) \mathbf{y=Xb} +b+\epsilon ,\epsilon \in N(0, 0.01) y=Xb+b+ϵ,ϵ∈N(0,0.01)
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)
- features中的每一行都包含一个二维数据样本,labels中的每一行都包含一个一维标签值。
print('feature:', features[0], '\n', 'label:', labels[0])
- 可视化第二个特征features[:, 1]和labels的散点图
d2l.set_figsize()
d2l.plt.scatter(features[:, 1].detach().numpy(), labels.detach().numpy(), 1)
3.2.2 读取数据集
- 定义一个函数,该函数能打乱数据集中的样本,并以小批量方式获取数据。
def data_iter(batch_size, features, labels):
num_examples = len(features)
indices = list(range(num_examples))
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]
- 读取第一个小批量数据样本并打印
batch_size = 10
for X, y in data_iter(batch_size, features, labels):
print(X, '\n', y)
break
3.2.3 初始化模型参数
我们通过从均值为0,标准差为0.01的正态分布中采样随机数来初始化权重,将偏置初始化为0。
w = torch.normal(0, 0.01, size = (2, 1), requires_grad = True)
b = torch.zeros(1, requires_grad = True)
3.2.4 定义模型
定义模型,将模型的输入和参数同模型的输出关联起来。
def linreg(X, w, b):
return torch.matmul(X, w) + b
3.2.5 定义损失函数
使用平方损失函数
def squared_loss(y_hat, y):
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
3.2.6 定义优化算法
使用小批量随机梯度下降
def sgd(params, lr, batch_size):
with torch.no_grad():
for param in params:
param -= lr * param.grad / batch_size
param.grad.zero_()
3.2.7 训练
- 初始化参数
- 重复以下训练,直到完成
- 计算损失函数关于参数的梯度 g ← ∂ ( w , b ) 1 ∣ B ∣ ∑ i ∈ B l ( x ( i ) , y ( i ) , w , b ) \mathbf{g} \gets \partial_{(\mathbf{w} , b)} \frac{1}{\left | \mathcal{B} \right | } {\textstyle \sum_{i \in \mathcal{B} }^{}}l(\mathbf{x}^{(i)}, y^{(i)}, \mathbf{w} , b ) g←∂(w,b)∣B∣1∑i∈Bl(x(i),y(i),w,b)
- 更新参数 ( w , b ) ← ( w , b ) − η g (\mathbf{w} , b)\gets (\mathbf{w} , b)-\eta \mathbf{g} (w,b)←(w,b)−ηg
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)
l.sum().backward()
sgd([w, b], lr, batch_size)
with torch.no_grad():
train_l = loss(net(features, w, b), labels)
print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')
- 通过比较真实参数和通过训练获得参数来评估训练的成功程度
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}')