3.23.3 线性回归的从零开始实现|Pytorch简洁实现

学习链接：李沐老师的动手深度学习v2书、视频链接

代码部分的理解笔记。

1、生成数据
2、读取数据集
3、初始化模型参数
4、定义模型
5、定义损失函数
6、定义优化算法
7、训练

import random
import torch
from d2l import torch as d2l# 1、生成数据
# 根据给定参数，生成带噪音的训练数据集
def synthetic_data(w, b, num_examples):X = torch.normal(mean=0, std=1, size=(num_examples, len(w)))# 以期望为0、标准差为1的独立正态分布随机生成大小为(num_examples, len(w))的数据y = torch.matmul(X, w) + by += torch.normal(0, 0.01, y.shape)# 同理添加噪音return X, y.reshape((-1, 1)) # .reshape((-1,1))的-1是自动划分的意思，比如此处就是num_examples/1=num_examples# 给定参数
true_w = torch.tensor([2, -3.4])
true_b = 4.2
# 生成1000个数据（X,y）
features, labels = synthetic_data(true_w, true_b, 1000)# 看看生成的第一个数据
print('features:', features[0],'\nlabel:', labels[0])d2l.set_figsize()
d2l.plt.scatter(features[:, (1)].detach().numpy(), labels.detach().numpy(), s=1)
# .detach()将torch的数据从计算图中剥离出来才能转换成numpy格式
# s=1是指图像散点的大小
# features[:,(1)]是只取第一列的数据出来画图
d2l.plt.show()
# VSCode需要上面的语句才能出现图像# 2、读取数据集
def data_iter(batch_size, features, labels):num_examples = len(features) # 数据集数量indices = list(range(num_examples)) # 获得下标数组random.shuffle(indices) # 打乱下标for i in range(0, num_examples, batch_size): # i步长为batch_sizebatch_indices = torch.tensor(indices[i : min(i + batch_size, num_examples)])# 以防最后一批的数据不够batch_size，这个处理好酷，i了i了~yield features[batch_indices], labels[batch_indices]# yeild以迭代器的方式，每调用一次，跑到下一个yeild的位置停止，直到函数结尾跳出for循环batch_size = 10
# 看下第一个batch的数据
for X, y in data_iter(batch_size, features, labels):print(X, '\n', y)break# 3、初始化模型参数
# 先随机初始化参数，之后用生成的数据训练出来
w = torch.normal(0, 0.01, size= (2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)# 4、定义模型
# 线性回归模型， 相当于神经网络的一层全连接层
def linreg(X, w, b):return torch.matmul(X, w) + b# 5、定义损失函数
# 均方误差，本来应该还要除以批次大小求平均，这里在下面步骤**中做了
def squared_loss(y_hat, y):return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2# 6、定义优化算法
# SGD stochastic gradient descent随机梯度下降
def sgd(params, lr, batch_size):# with 语句适用于对资源进行访问的场合，确保不管使用过程中是否发生异常都会执行必要的“清理”操作，释放资源，# 比如文件使用后自动关闭／线程中锁的自动获取和释放等。with torch.no_grad(): # 更新参数的时候不需要计算梯度for param in params:param -= lr * param.grad / batch_size # 步骤**param.grad.zero_()# pytorch会不断的累加变量的梯度，所以每更新一次参数，就要让其对应的梯度清零# 7、训练
lr = 0.03
num_epochs = 3 # 遍历整个训练集的次数
net = linreg
loss = squared_lossfor epoch in range(num_epochs):for X, y in data_iter(batch_size, features, labels):l = loss(net(X, w, b), y) # 计算这一批次的损失l.sum().backward()# 或者可以l.backward(torch.ones_like(l))# B站弹幕：求和本身让l以标量的形式表现出来。求梯度，对于l中的每一个分量都是单独求的。#         官方解释：如果需要计算导数，可以在Tensor上调用.backward()。        #  1. 如果Tensor是一个标量（即它包含一个元素的数据），则不需要为backward()指定任何参数#  2. 但是如果它有更多的元素，则需要指定一个gradient参数，它是形状匹配的张量。# 码一下链接：https://www.cnblogs.com/JeasonIsCoding/p/10164948.htmlsgd([w,b],lr, batch_size)# 更新参数with torch.no_grad():train_l = loss(net(features, w, b), labels)# 算下每次迭代后的损失print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')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}')

运行结果：

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l# 1、生成数据集
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)# 2、读取数据集
def load_array(data_arrays, batch_size, is_train=True):# Pytorch数据迭代器dataset = data.TensorDataset(*data_arrays)return data.DataLoader(dataset, batch_size, shuffle=is_train)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))# 3、定义模型
from torch import nn
# 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
# 在PyTorch中，全连接层在Linear类中定义。
# 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。
net = nn.Sequential(nn.Linear(2, 1))# 4、初始化模型参数
# net[0]选择网络中的第一个图层
# 使用weight.data和bias.data方法访问参数
# 使用替换方法normal_和fill_来重写参数值
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)# 5、定义损失函数
# 计算均方误差使用的是MSELoss类，也称为平方L2范数。
loss = nn.MSELoss()# 6、定义优化算法
# yTorch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。
trainer = torch.optim.SGD(net.parameters(), lr=0.03)# 7、训练
num_epochs = 3
for epoch in range(num_epochs):for X, y in data_iter:# 通过调用net(X)生成预测并计算损失l（前向传播）。l = loss(net(X), y)trainer.zero_grad() # 梯度清零# 通过进行反向传播来计算梯度。此时loss中已经求了sum。l.backward() # 新的梯度# 通过调用优化器来更新模型参数。trainer.step() # 根据梯度更新参数# 计算每个迭代周期后的损失，并打印它来监控训练过程。l = loss(net(features), labels)print(f'epoch {epoch + 1}, loss {l:f}')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)

3.23.3 线性回归的从零开始实现|Pytorch简洁实现相关推荐

从零开始学Pytorch之线性回归
线性回归主要内容包括: 线性回归的基本要素线性回归模型从零开始的实现线性回归模型使用pytorch的简洁实现线性回归的基本要素模型为了简单起见,这里我们假设价格只取决于房屋状况的两个因素, ...
从零开始学Pytorch（五）之欠拟合和过拟合
本文首发于微信公众号"计算机视觉cv" 模型选择.过拟合和欠拟合训练误差和泛化误差训练误差(training error)指模型在训练数据集上表现出的误差,泛化误差(gener ...
从零开始学Pytorch（零）之安装Pytorch
本文首发于公众号"计算机视觉cv" Pytorch优势聊聊为什么使用Pytorch,个人觉得Pytorch比Tensorflow对新手更为友善,而且现在Pytorch在学术界 ...
从零开始学Pytorch（第5天）
从零开始学Pytorch(第5天) 前言一.模块类的构建 1. nn.Module 2.构建一个线性回归类二.计算图和自动求导机制 1.计算图 2.自动求导总结前言今天主要了解和学习Pyto ...
动手深度学习：08 线性回归（线性回归的从零开始实现）（二）
1.线性回归的从零开始实现我们将从零开始实现整个方法,包括数据流水线.模型.损失函数和小批量随机梯度下降优化器 d2l包可以直接在conda的prompt里面输入命令 pip install -U ...
从零开始学Pytorch（三）之多层感知机的实现
多层感知机的基本知识我们将以多层感知机(multilayer perceptron,MLP)为例,介绍多层神经网络的概念. 隐藏层下图展示了一个多层感知机的神经网络图,它含有一个隐藏层,该层中有5 ...
线性回归的从零开始实现-08-p3
线性回归的从零开始实现我们将从零开始实现整个方法,包括数据流水线.模型.损失函数和小批量随机梯度下降优化器 %matplotlib inline import random import torch ...
从零开始搭建Pytorch运行环境Linux
Linux从零开始搭建Pytorch运行环境安装Miniconda Miniconda download 官网选择合适版本的安装脚本,复制链接.(选择最新的3.9可能合适些) 下载安装脚本. wg ...
CNN可视化技术 -- CAM Grad-CAM详解及pytorch简洁实现
文章目录前言 1. CAM(Class Activation Map) 2. Grad-CAM 3. PyTorch中的hook机制 4. Grad-CAM的PyTorch简洁实现参考资料前言 ...

3.23.3 线性回归的从零开始实现|Pytorch简洁实现

3.23.3 线性回归的从零开始实现|Pytorch简洁实现相关推荐

最新文章

热门文章