3.2 线性回归的从零开始实现
2021/7/23 6:10:30
本文主要是介绍3.2 线性回归的从零开始实现,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
import torch from matplotlib import pyplot as plt import numpy as np import random #首先生成数据集 num_inputs = 2 #每个样本2个特征数 num_examples = 1000 #一共1000个样本 true_w = [2, -3.4] #权重 true_b = 4.2 #偏差 features = torch.randn(num_examples, num_inputs, dtype=torch.float32)#随机制造训练集 labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b #对应w*x labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float32) #最后加上服从正态分布的噪声,随机生成均值为0,标准差为 #0.01,形状保持不变,正因为有此随机噪声模型才有拟合的 #意义 plt.rcParams['figure.figsize'] = (5,3) #设置图像显示范围 plt.scatter(features[:, 1].numpy(), labels.numpy(),1)#绘制散点图,x轴和y轴,点的大小 plt.show() #读取数据 # 切分数据集 def data_iter(batch_size, features, labels): num_examples = len(features)#数据集长度 indices = list(range(num_examples))#生成索引 random.shuffle(indices) # 样本的读取顺序是随机的,将样本数据随机排列 for i in range(0, num_examples, batch_size): j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch yield features.index_select(0, j), labels.index_select(0, j)#0表示按行索引,j就是索引的那批序号 #读取切分完的数据 batch_size = 10 for X, y in data_iter(batch_size, features, labels): print(X, y) break #打印一批查看下划分是否正确 #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) #我们将权重初始化成均值为0、标准差为0.01的两行一列的正态随机数,偏差则初始化成0。 #之后的模型训练中,需要对这些参数求梯度来迭代参数的值,因此我们要让它们的requires_grad=True。 w.requires_grad_(requires_grad=True) b.requires_grad_(requires_grad=True) #定义模型 def linreg(X, w, b): return torch.mm(X, w) + b #torch.mm做矩阵乘法 #定义损失函数 def squared_loss(y_hat, y): # 本函数已保存在d2lzh_pytorch包中方便以后使用 # 注意这里返回的是向量, 另外, pytorch里的MSELoss并没有除以 2 return (y_hat - y.view(y_hat.size())) ** 2 / 2 #定义优化算法 def sgd(params, lr, batch_size): # 本函数已保存在d2lzh_pytorch包中方便以后使用 for param in params: param.data -= lr * param.grad / batch_size # 注意这里更改param时用的param.data,即不加入计算历史计算梯度 #训练模型 lr = 0.03 #学习率 num_epochs = 3 #迭代周期 net = linreg #模型 loss = squared_loss #损失函数 for epoch in range(num_epochs): # 训练模型一共需要num_epochs个迭代周期 # 在每一个迭代周期中,会使用训练数据集中所有样本一次(假设样本数能够被批量大小整除)。X # 和y分别是小批量样本的特征和标签 for X, y in data_iter(batch_size, features, labels): l = loss(net(X, w, b), y).sum() # l是有关小批量X和y的损失 l.backward() # 小批量的损失对模型参数求梯度 sgd([w, b], lr, batch_size) # 使用小批量随机梯度下降迭代模型参数 # 不要忘了梯度清零 w.grad.data.zero_() b.grad.data.zero_() train_l = loss(net(features, w, b), labels) #计算更新过后的w和b下的损失值 print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))#显示损失值张量的平均值的元素值(带小数) #比较学到的参数和用来生成训练集的真实参数 print(true_w, '\n', w) print(true_b, '\n', b)
这篇关于3.2 线性回归的从零开始实现的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-12-22项目:远程温湿度检测系统
- 2024-12-21《鸿蒙HarmonyOS应用开发从入门到精通(第2版)》简介
- 2024-12-21后台管理系统开发教程:新手入门全指南
- 2024-12-21后台开发教程:新手入门及实战指南
- 2024-12-21后台综合解决方案教程:新手入门指南
- 2024-12-21接口模块封装教程:新手必备指南
- 2024-12-21请求动作封装教程:新手必看指南
- 2024-12-21RBAC的权限教程:从入门到实践
- 2024-12-21登录鉴权实战:新手入门教程
- 2024-12-21动态权限实战入门指南