动手深度学习-3.2 线性回归的从零开始实现

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$\mathbf{w}=[2,-3.4{]}^T、b=4.2$和噪声项$ϵ$生成数据集及其标签：
  $$\mathbf{y}=\mathbf{Xb}+b+ϵ，ϵ\in N(0,0.01)$$

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$\mathbf{g}\leftarrow {\partial }_{(\mathbf{w},b)}\frac{1}{|\mathcal{B}|}{\sum }_{i\in \mathcal{B}}^{}l({\mathbf{x}}^{(i)},y^{(i)},\mathbf{w},b)$
  • 更新参数$(\mathbf{w},b)\leftarrow (\mathbf{w},b)-\eta \mathbf{g}$

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}')