深度学习pytorch--线性回归(三)
线性回归pytorch框架实现
- 线性回归的简洁实现
- 生成数据集
- 读取数据
- 定义模型
- 初始化模型参数
- 定义损失函数
- 定义优化算法
- 训练模型
- 小结
- 完整代码:
线性回归的简洁实现
随着深度学习框架的发展,开发深度学习应用变得越来越便利。实践中,我们通常可以用比上一节更简洁的代码来实现同样的模型。在本节中,我们将介绍如何使用PyTorch更方便地实现线性回归的训练。
强烈建议和上一节无框架实现进行对比,比起读框架的源代码,能够直观地认识pytorch框架的功能。
生成数据集
该部分和上一节一样。其中features
是训练数据特征,labels
是标签。
#生成数据集以及计算grand-truth,和之前一样
num_inputs=2 #要训练的权重个数(面积和房龄两个特征(影响放假的因素)的权重)
num_examples=1000 #样本数量
true_w=[2,-4]
true_b=4.2
features=torch.randn(num_examples,num_inputs,dtype=torch.float32) #代表X矩阵
labels=torch.mm(features,torch.Tensor(true_w).view(-1,1)) #mm为矩阵相乘,此处为1000*2的矩阵乘以2*1的矩阵,mul为点乘
labels+=torch.tensor(np.random.normal(0, 0.01, size=labels.size()),dtype=torch.float32) #加均值为0,方差为1的随机噪声项
读取数据
PyTorch提供了data
包来读取数据。由于data
常用作变量名,我们将导入的data
模块用Data
代替。在每一次迭代中,我们将随机读取包含10个数据样本的小批量。
import torch.utils.data as Databatch_size = 10
# 将训练数据的特征和标签组合
dataset = Data.TensorDataset(features, labels)
# 随机读取小批量
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
这里data_iter
的使用跟上一节中的一样。让我们读取并打印第一个小批量数据样本。
for X, y in data_iter:print(X, y)break
输出:
tensor([[-2.7723, -0.6627],[-1.1058, 0.7688],[ 0.4901, -1.2260],[-0.7227, -0.2664],[-0.3390, 0.1162],[ 1.6705, -2.7930],[ 0.2576, -0.2928],[ 2.0475, -2.7440],[ 1.0685, 1.1920],[ 1.0996, 0.5106]]) tensor([ 0.9066, -0.6247, 9.3383, 3.6537, 3.1283, 17.0213, 5.6953, 17.6279,2.2809, 4.6661])
定义模型
在上一节从零开始的实现中,我们需要定义模型参数,并使用它们一步步描述模型是怎样计算的。当模型结构变得更复杂时,这些步骤将变得更繁琐。其实,PyTorch提供了大量预定义的层,这使我们只需关注使用哪些层来构造模型。下面将介绍如何使用PyTorch更简洁地定义线性回归。
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_feature):super().__init__()self.linear = nn.Linear(n_feature, 1)# forward 定义前向传播def forward(self, x):y = self.linear(x)return ynet = LinearNet(num_inputs)
print(net) # 使用print可以打印出网络的结构
输出:
LinearNet((linear): Linear(in_features=2, out_features=1, bias=True)
)
理解下nn.Linear(2,1),如下图,2代表输入层的2个结点,1代表输出层的1个结点。由此可见,参数(权重)个数等于2*1=2个。
图中线性回归在神经网络图中的表示。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,可使用input.unsqueeze(0)
来添加一维。
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)
输出:
Parameter containing:
tensor([[-0.0277, 0.2771]], requires_grad=True)
Parameter containing:
tensor([0.3395], requires_grad=True)
权重参数为w和b,分别对应这上面w和b的矩阵形状。
事实上我们还可以用nn.Sequential
来更加方便地搭建网络,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
net = nn.Sequential(nn.Linear(num_inputs, 1)# 此处还可以传入其他层)# 写法二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([('linear', nn.Linear(num_inputs, 1))# ......]))print(net)
print(net[0])
输出:
Sequential((linear): Linear(in_features=2, out_features=1, bias=True)
)
Linear(in_features=2, out_features=1, bias=True)
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 initinit.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)
注:如果这里的
net
是用上面的代码自定义的,那么上面代码会报错,net[0].weight
应改为net.linear.weight
,bias
亦然。因为net[0]
这样根据下标访问子模块的写法只有当net
是个ModuleList
或者Sequential
实例时才可以。
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
同样,我们也无须自己实现小批量随机梯度下降算法。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 optimoptimizer = optim.SGD(net.parameters(), lr=0.03)
print(optimizer)
输出:
SGD (
Parameter Group 0dampening: 0lr: 0.03momentum: 0nesterov: Falseweight_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:
optimizer =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()}, # lr=0.03{'params': net.subnet2.parameters(), 'lr': 0.01}], lr=0.03)
这里会报bug,因为本例没有子网络
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
for param_group in optimizer.param_groups:param_group['lr'] *= 0.1 # 学习率为之前的0.1倍
如有不懂可参考pytorch中文文档
训练模型
在训练模型时,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=5
for epoch in range(num_epochs):for X,y in data_iter:output=net(X)l=loss(output,y.view(-1,1))optimizer.zero_grad() #梯度清零,等价于net.zero_grad()l.backward()optimizer.step()print('epoch %d, loss: %f' % (epoch+1, l.item()))
输出:
epoch 1, loss: 5.381509
epoch 2, loss: 1.179612
epoch 3, loss: 0.390883
epoch 4, loss: 0.268623
epoch 5, loss: 0.036446
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(true_w, dense.weight)
print(true_b, dense.bias)#如果出错就用下面的代码,原因见上面初始化参数
print(true_w, net.linear.weight)
print(true_b, net.linear.bias)
输出:
[2, -3.4] tensor([[ 1.9999, -3.4005]])
4.2 tensor([4.2011])
小结
- 使用PyTorch可以更简洁地实现模型。
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。
注:本节除了代码之外与原书基本相同,原书传送门
完整代码:
#使用框架简洁实现线性回归案例
import torch
import numpy as np
import torch.utils.data as Data
import torch.nn as nn
import torch.optim as optim
from torch.nn import init #初始化参数#生成数据集以及计算grand-truth,和之前一样
num_inputs=2 #要训练的权重个数(面积和房龄两个特征(影响放假的因素)的权重)
num_examples=1000 #样本数量
true_w=[2,-4]
true_b=4.2
features=torch.randn(num_examples,num_inputs,dtype=torch.float32) #代表X矩阵
labels=torch.mm(features,torch.Tensor(true_w).view(-1,1)) #mm为矩阵相乘,此处为1000*2的矩阵乘以2*1的矩阵,mul为点乘
labels+=torch.tensor(np.random.normal(0, 0.01, size=labels.size()),dtype=torch.float32) #加均值为0,方差为1的随机噪声项#读取数据
batch_size = 10
dataset = Data.TensorDataset(features, labels)# 将训练数据的特征和标签组合
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True) # 随机读取小批量,此处的data_iter和上一节生成的data_iter是一样的#定义模型(模型就是一层网络)
class LinearNet(nn.Module):def __init__(self,n_feature):super().__init__()self.linear=nn.Linear(n_feature,1) #表示n_feature个神经元经过乘权重加权求和,得到一个输出#前馈传播def forward(self,x):y=self.linear(x)return y#实例化模型
net=LinearNet(num_inputs)
#print(net) 打印其网络结构#初始化模型参数
init.normal_(net.linear.weight, mean=0, std=0.01) #均值为0,标准差为0.01的随机分布
init.constant_(net.linear.bias, val=0) # 也可以直接修改bias的data: net[0].bias.data.fill_(0)#查看模型参数
for param in net.parameters():print(param)#定义损失函数,均方误差
loss=nn.MSELoss()#定义优化算法
optimizer=optim.SGD(net.parameters(),lr=0.03)#print(optimizer)# 调整学习率
for param_group in optimizer.param_groups:param_group['lr'] *= 0.1 # 学习率为之前的0.1倍#训练模型
num_epochs=5
for epoch in range(num_epochs):for X,y in data_iter:output=net(X)l=loss(output,y.view(-1,1))optimizer.zero_grad() #梯度清零,等价于net.zero_grad()l.backward()optimizer.step()print('epoch %d, loss: %f' % (epoch+1, l.item()))print(true_w, net.linear.weight)
print(true_b, net.linear.bias)
深度学习pytorch--线性回归(三)相关推荐
- 动手学深度学习(PyTorch实现)(三)--过拟合与欠拟合
过拟合与欠拟合 1. 过拟合与欠拟合 1.1 训练误差和泛化误差 1.2 模型选择 1.2.1 验证数据集 1.2.2 K折交叉验证 1.3 过拟合与欠拟合 1.3.1 模型复杂度 1.3.2 训练数 ...
- 深度学习+pytorch自学笔记(三)——线性回归
参考书籍<动手学深度学习(pytorch版),参考网址为:https://tangshusen.me/Dive-into-DL-PyTorch/#/ 请大家也多多支持这一个很好用的平台~ 大部分 ...
- 【 线性回归 Linear-Regression torch模块实现与源码详解 深度学习 Pytorch笔记 B站刘二大人(4/10)】
torch模块实现与源码详解 深度学习 Pytorch笔记 B站刘二大人 深度学习 Pytorch笔记 B站刘二大人(4/10) 介绍 至此开始,深度学习模型构建的预备知识已经完全准备完毕. 从本章开 ...
- torch的拼接函数_从零开始深度学习Pytorch笔记(13)—— torch.optim
前文传送门: 从零开始深度学习Pytorch笔记(1)--安装Pytorch 从零开始深度学习Pytorch笔记(2)--张量的创建(上) 从零开始深度学习Pytorch笔记(3)--张量的创建(下) ...
- 动手学深度学习Pytorch Task01
深度学习目前以及未来都有良好的发展前景.正值疫情期间,报名参加了动手学深度学习pytorch版的公开课,希望在以后的学习生活中能够灵活运用学到的这些知识. 第一次课主要包含三个部分:线性回归.soft ...
- 深度学习+pytorch实战Kaggle比赛(一)——房价预测
参考书籍<动手学深度学习(pytorch版),参考网址为: https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/kaggle-house-pr ...
- 伯禹公益AI《动手学深度学习PyTorch版》Task 03 学习笔记
伯禹公益AI<动手学深度学习PyTorch版>Task 03 学习笔记 Task 03:过拟合.欠拟合及其解决方案:梯度消失.梯度爆炸:循环神经网络进阶 微信昵称:WarmIce 过拟合. ...
- 伯禹公益AI《动手学深度学习PyTorch版》Task 06 学习笔记
伯禹公益AI<动手学深度学习PyTorch版>Task 06 学习笔记 Task 06:批量归一化和残差网络:凸优化:梯度下降 微信昵称:WarmIce 批量归一化和残差网络 BN和Res ...
- 【动手学深度学习PyTorch版】6 权重衰退
上一篇移步[动手学深度学习PyTorch版]5 模型选择 + 过拟合和欠拟合_水w的博客-CSDN博客 目录 一.权重衰退 1.1 权重衰退 weight decay:处理过拟合的最常见方法(L2_p ...
- 纽约大学深度学习PyTorch课程笔记(自用)Week3
纽约大学深度学习PyTorch课程笔记Week3 Week 3 3.1 神经网络参数变换可视化及卷积的基本概念 3.1.1 神经网络的可视化 3.1.2 参数变换 一个简单的参数变换:权重共享 超网络 ...
最新文章
- 配置redis禁用几个危险命令
- 洛谷P1725琪露诺【单调队列+dp】
- rabbitmq 集群保证顺序消费_随笔《RabbitMQ》如何保证消息不被重复消费
- linux内存管理(十二)-直接页面回收
- 网上图书商城项目学习笔记-028编辑一级分类
- Laravel5中基于jQuery实现分层级的类目树结构方法
- proe输入数字时成双出现_什么是隔离数字输入?
- 签到系统、评价系统、后台审核系统前后端接口实现总结
- DocuCentre S2110设置网络打印IP地址方法
- html标签嵌套规则
- 双曲函数奇偶性_[快乐数学]双曲函数(二)
- canvas 刮刮卡
- 假设检验 python_假的解释|假的意思|汉典“假”字的基本解释
- java pdf转图片原理_pdf转图片程序(java实现)
- Cesi运行报错AttributeError: can‘t set attribute
- VB中ByVal与ByRef有什么区别
- mysql数据库中针对结果保留小数的问题
- LeetCode每日一题——904. 水果成篮
- 浅析功耗性能肖特基二极管的重要性
- PaaS平台升级NFS报错排除
热门文章
- jvm gc阻塞时长 占比_jvm进行转义分析需要多长时间? 可能比您想象的要长。
- apache camel_学习Apache Camel –实时索引推文
- input发送a.jax_Java REST JAX-RS 2.0 –如何处理日期,时间和时间戳记数据类型
- lock.lock_HibernateCascadeType.LOCK陷阱
- lucene自动补全_使用自动机的Lucene新的邻近查询
- Java 9中的HTTP / 2支持简介
- 显式无参数构造函数与默认构造函数
- OCA第7部分的Java难题
- Kafka的Spring Cloud Stream
- 五分钟的JShell