1.autograd
(1)torch.autograd.backward
功能:自动求取梯度
参数:
tensors:用于求导的张量,如loss
retain_graph:保存计算图(每次反向传播后,计算图都会释放调)
create_graph:创建导数计算图,用于高阶求导
grad_tensors:多梯度权重,多个loss需要计算时,可以调节各个loss的权重
# retain_grad 保存非叶子节点计算图
flag = True
# flag = False
if flag:
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
y.backward(retain_graph=True) # retain+graph参数设置为true可以多次运行反向传播,否则只能运行一次
print("w.grad: {} x.grad: {} b.grad: {}".format(w.grad, x.grad, b.grad))
y.backward()
以学习笔记4中的y=(x+w)*(w+1),
y对w的梯度如下所示:
# flag = True
flag = False
if flag:
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x)
b = torch.add(w, 1)
y0 = torch.mul(a, b)
y1 = torch.add(a, b) # y1=2W+X+1 dy/dw=2
loss = torch.cat([y0, y1], dim=0)
grad_tensors = torch.tensor([1., 1.]) # y0对w的梯度×所对应的权重1+y1对w梯度×所对应的权重1
loss.backward(gradient=grad_tensors)
print(w.grad)
(2)torch.autograd.grad
功能:求取梯度
参数:
outputs:用于求导的张量,如loss
input:需要求取梯度的张量
create_graph:创建导数计算图,用于高阶求导
retain_graph:保存计算图
grad_outputs:多梯度权重
# flag = True
flag = False
if flag:
x = torch.tensor([3.], requires_grad=True)
y = torch.pow(x, 2)
grad_1 = torch.autograd.grad(y, x, create_graph=True) # grad_1=dy/dx=2x=2*3=6
print(grad_1)
grad_2 = torch.autograd.grad(grad_1[0], x) # y的二阶导 grad_2=d(dy/dx)/dx=2
print(grad_2)
autograd注意事项:
1.梯度不会自动清零,多次运行求导需要grad.zero_()清零
# flag = True
flag = False
if flag:
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
for i in range(4):
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
y.backward()
print(w.grad)
w.grad.zero_() # 每次执行完对w的梯度清零,否则会叠加
2.依赖于叶子节点的节点,requires_grad默认为True
# flag = True
flag = False
if flag:
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
print(a.requires_grad, b.requires_grad, y.requires_grad)
a,b,y均为true
3.叶子节点不能进行in_place操作(原位操作:原始地址上直接进行改变。)
2.逻辑回归
逻辑回归是线性的二分类模型
模型表达式:
f(x)称为Sigmoid函数,也称为Logistic函数
通常选择一个预制为0.5,大于或者小于0.5就被分成两个类。
逻辑回归与线性回归区别:
1.逻辑回归:是分析自变量x与因变量y(概率)之间关系的方法
逻辑回归可以说是在线性回归的基础上增加了一个激活函数(Sigmoid函数)
逻辑回归还有一个名字叫对数几率回归:
几率:概率取值 y/(1-y)
2.线性回归:是分析自变量x与因变量y(标量)之间关系的方法
自变量:x
因变量:y
关系:y=wx+b
机器学习训练步骤:
1数据:获取数据,如数据采集、数去划分、预处理
2模型:根据任务难易程度选择合适的模型,如线性、神经网络等。
3.损失函数选择:根据不同的任务选择不同的模型,线性回归中选择的均方差损失函数,分类任务可以选择交叉熵损失函数
4.优化器:更新权值
最后再迭代训练
下面以一个二分类为例:
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
torch.manual_seed(10)
# 生成数据
sample_nums = 100
mean_value = 1.7
bias = 1
n_data = torch.ones(sample_nums, 2)
x0 = torch.normal(mean_value * n_data, 1) + bias
y0 = torch.zeros(sample_nums)
x1 = torch.normal(-mean_value * n_data, 1) + bias
y1 = torch.ones(sample_nums)
train_x = torch.cat((x0, x1), 0)
train_y = torch.cat((y0, y1), 0)
# 选择模型
class LR(nn.Module):
def __init__(self):
super(LR, self).__init__()
self.features = nn.Linear(2, 1)
self.sigmoid = nn.Sigmoid()
def forward(self, x):
x = self.features(x)
x = self.sigmoid(x)
return x
lr_net = LR()
# 选择损失函数
loss_fn = nn.BCELoss() # 交叉熵
# 选择优化器
lr = 0.01
optimizer = torch.optim.SGD(lr_net.parameters(), lr=lr, momentum=0.9)
# 模型训练
for iteration in range(1000):
# 前向传播
y_pred = lr_net(train_x)
# 计算loss
loss = loss_fn(y_pred.squeeze(), train_y)
# 反向传播
loss.backward()
# 更新参数
optimizer.step()
# 清空梯度
optimizer.zero_grad()
# 绘图
if iteration % 20 == 0:
mask = y_pred.ge(0.5).float().squeeze() # 以0.5为阈值进行分类
correct = (mask == train_y).sum() # 计算正确预测的样本个数
acc = correct.item() / train_y.size(0) # 计算分类准确率
# plt.scatter(x0.data.numpy()[:, 0], x0.data.numpy()[:, 1], c='r', label='class 0')
plt.scatter(x0.data.numpy()[:, 0], x0.data.numpy()[:, 1], c='r', label='class 0')
plt.scatter(x1.data.numpy()[:, 0], x1.data.numpy()[:, 1], c='b', label='class 1')
w0, w1 = lr_net.features.weight[0]
w0, w1 = float(w0.item()), float(w1.item())
plot_b = float(lr_net.features.bias[0].item())
plot_x = np.arange(-6, 6, 0.1)
plot_y = (-w0 * plot_x - plot_b) / w1
plt.xlim(-5, 7)
plt.ylim(-7, 7)
plt.plot(plot_x, plot_y)
plt.text(-5, 5, 'LOSS=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.title("Iteration: {}\n w0:{:.2f} w1{:.2f} b{:.2f} accuracy:{:.2%}".format(iteration, w0, w1, plot_b, acc))
plt.legend()
plt.show()
plt.pause(0.5)
if acc > 0.99:
break