3.2 线性回归的从零开始实现

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！