写在前面
pytorch作为目前火热的深度学习框架，掌握并应用它来提升研究或者开发效率，是个很有必要的事情。李沐的动手深度学习，之前就很想找时间看看，一直没能逼迫自己好好去看一下。现在恰好有组队学习这种形式逼迫自己用心学，不定时记录利用pytorch动手深度学习的学习笔记。
线性回归的pytorch实现
-
线性回归原理
线性回归的基本形式为 y = Wx+b。其中x为自变量，在机器学习中又称为特征；y是目标变量，又称标签；W是权重，是一维向量，维数与单个样本x的维度相同；b是偏置。一般一个线性回归任务，就是从给定的训练样本中，学习出W和b。
线性回归相对较为简单，有两种解决思路：- 直接求解解析解：最小二乘法
- 迭代更新参数求解：普遍的机器学习算法都采用该种方法
本文利用第二种来解决线性回归
- 损失函数：采用均方根误差作为损失函数，公式如下:
2.优化更新方法：小批量随机梯度下降，参数更新过程如下:
-
从零开始实现
%matplotlib inline
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random
#step0：生成数据集
num_inputs = 2
num_examples = 10000
# 设置实际的参数
true_w = [3.14, -3.14]
true_b = 3.14
features = torch.randn(num_examples, num_inputs,
dtype=torch.float32)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),
dtype=torch.float32)
#step1：定义批量读取数据的函数
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):
j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一个batch样本数，可能不够batch_size大小
yield features.index_select(0, j), labels.index_select(0, j)
#step2：初始化模型参数
w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32)
b = torch.zeros(1, dtype=torch.float32)
w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)
#step3：定义线性回归模型
def linreg(X, w, b):
return torch.mm(X, w) + b
#step4：定义损失函数
def squared_loss(y_hat, y):
return (y_hat - y.view(y_hat.size())) ** 2 / 2
#step5：定义参数更新函数，批量随机下降
def sgd(params, lr, batch_size):
for param in params:
param.data -= lr * param.grad / batch_size # 使用.data更新数据，不会在计算图中记录操作梯度
#step6：开始训练
lr = 0.03
num_epochs = 5
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).sum()
# 计算批量损失函数的梯度
l.backward()
# 更新参数
sgd([w, b], lr, batch_size)
# 对参数梯度清零
w.grad.data.zero_()
b.grad.data.zero_()
train_l = loss(net(features, w, b), labels)
print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))
-
利用pytorch简洁实现
import torch
from torch import nn
import numpy as np
#step0：生成数据集
num_inputs = 2
num_examples = 10000
# 设置实际的参数
true_w = [3.14, -3.14]
true_b = 3.14
features = torch.randn(num_examples, num_inputs,
dtype=torch.float32)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),
dtype=torch.float32)
#step1：读取数据集
import torch.utils.data as Data
batch_size = 10
dataset = Data.TensorDataset(features, labels)
# 利用utils.data中的DataLoader
data_iter = Data.DataLoader(
dataset=dataset,
batch_size=batch_size,
shuffle=True,
num_workers=2,
)
#step2：定义模型，三种方法
# method1
net = nn.Sequential(
nn.Linear(num_inputs, 1)
)
# method2
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# method3
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
('linear', nn.Linear(num_inputs, 1))
]))
#step3：初始化模型参数
from torch.nn import init
init.normal_(net[0].weight, mean=0.0, std=0.01)
init.constant_(net[0].bias, val=0.0)
#step4：损失函数
loss = nn.MSELoss()
#step5：优化更新函数
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03)
print(optimizer)
#step6：训练
num_epochs = 3
for epoch in range(1, num_epochs + 1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
optimizer.zero_grad()
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
时间原因，后续继续补充。。。
