task1 | 易学教程

以下代码可直接运行，注意注释

从零实现线性回归

import torch as t
from matplotlib import pyplot as plt
import numpy as np
import random

num_input = 2
num_example = 1000

true_w = [2,-3.4]
true_b = 4.2

features = t.randn(num_example,num_input,dtype = t.float32)
labels = true_w[0]*features[:,0]+true_w[1]*features[:,1]+true_b  # labels也是一个tensor
labels += t.tensor(np.random.normal(0,0.01,size=labels.size()))

# plt.scatter(feature[:,0].numpy(),labels.numpy(),1)  # 参数为x,y。1表示点的大小。
# plt.scatter(feature[:,1].numpy(),labels.numpy(),1)
# plt.show()

def data_iter(batch_size,features,labels):
    num_examples = len(features)
    indices = list(range(num_example))
    random.shuffle(indices)
    for i in range(0,num_examples,batch_size):
        j = t.LongTensor(indices[i:min(i+batch_size,num_examples)])
        yield features.index_select(0,j),labels.index_select(0,j)

batch_size = 10
# for x,y in data_iter(batch_size,features,labels):
#     print(x,y)

# 随机初始化参数
w = t.tensor(np.random.normal(0,0.01,(num_input,1)),dtype=t.float32)
b = t.tensor(1,dtype=t.float32)

# 确认可导，我们求的是w和b的导数
w.requires_grad_(True)
b.requires_grad_(True)

# 定义模型（这里就是那个公式）
def linreg(X,w,b):
    return t.mm(X,w)+b

# 定义损失函数
def squared_loss(y_hat, y):
    return (y_hat-y.view(y_hat.size()))**2/2

# 定义优化函数
def sgd(params,lr,batch_size):
    for param in params:
        param.data -= lr*param.grad/batch_size

# 超参数初始化
lr = 0.03
num_epochs = 5
net = linreg
loss = squared_loss
# 训练
for epoch in range(num_epochs):
    for X,y in data_iter(batch_size,features,labels):
        # 计算损失
        l = loss(net(X,w,b),y).sum()
        # 计算梯度
        l.backward()
        # 优化，更新参数
        sgd([w,b],lr,batch_size)
        # 重置梯度
        w.grad.data.zero_()
        b.grad.data.zero_()
    train_l = loss(net(features,w,b),labels)  # 是一个tensor,含所有样本的loss
    print("epoch: %d , loss: %f"%(epoch+1,train_l.mean().item()))

# 训练出来的参数和实际参数对比
print(w,true_w,b,true_b)

输出：

epoch: 1 , loss: 0.029120
epoch: 2 , loss: 0.000124
epoch: 3 , loss: 0.000052
epoch: 4 , loss: 0.000052
epoch: 5 , loss: 0.000052
tensor([[ 1.9999],
        [-3.4001]], requires_grad=True) [2, -3.4] tensor(4.1997, requires_grad=True) 4.2

以上程序的一些解释：
1、plt.scatter函数的第三个参数表示点的大小
2、torch.LongTensor表示64bit也就是8字节的有符号数据。参考 https://pytorch-cn.readthedocs.io/zh/latest/package_references/Tensor/
3、index_select(1, indices)
1代表维度1，即列，indices是筛选的索引序号。 https://blog.csdn.net/jacke121/article/details/83044660
4、np.random.normal https://blog.csdn.net/qq_37701443/article/details/82797944

用pytorch的简洁实现线性回归

import torch as t
import numpy as np
from matplotlib import pyplot as plt
from torch import nn

t.set_default_tensor_type("torch.FloatTensor")

# 生成数据集
num_examples = 1000
num_inputs = 2
true_w = [2,-3.4]
true_b = 4.2
features = t.tensor(np.random.normal(0,1,size = (num_examples,num_inputs)),dtype = t.float)
labels = true_w[0]*features[:,0] + true_w[1]*features[:,1] + true_b
labels += t.tensor(np.random.normal(0,0.01,size = labels.size()),dtype = t.float)

# plt.scatter(features[:,1],labels,1)
# plt.show()

# 读取数据集
import torch.utils.data as Data
batch_size = 10
# combine数据集中的特征和标签
dataset = Data.TensorDataset(features,labels)
# 把数据集放入DataLoader中
data_iter = Data.DataLoader(dataset = dataset,batch_size = batch_size,shuffle = True)

# for X,y in data_iter:
#     print(X,"\n",y)
#     break

# 下面的方式一，方式二，方式三选一种即可
# 方式一
net = nn.Sequential(
    nn.Linear(num_inputs,1)  # 这里可以继续添加层数
)

# 方式二
# net = nn.Sequential()
# net.add_module("linear",nn.Linear(num_inputs,1))  # 可以继续用add_module来添加层

# 方式三
# from collections import OrderedDict
# net = nn.Sequential(OrderedDict([
#     ("linear",nn.Linear(num_inputs,1))  # 这里可以继续添加层
# ]))

print(net)
print(net[0])

# 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)  # 也可以用net[0].bias.data.fill_(0)

# for param in net.parameters():
#     print(param)

# 定义损失函数
loss = nn.MSELoss()

# 定义优化函数
from torch import optim
optimizer = optim.SGD(net.parameters(),lr=0.03)
# print(optimizer)

# 训练
num_epoch=3
for epoch in range(num_epoch):
    for X,y in data_iter:
        output = net(X)
        l = loss(output,y.view(-1,1))  # y本身是一个list的tensor，通过y.view(-1,1)后得到多行1列，行数为样本数
        optimizer.zero_grad()
        l.backward()
        optimizer.step()
    print("epoch:%d , loss:%f" % (epoch+1,l.item()))  # l.item()是把tensor转换为实数

dense = net[0]
print(true_w,dense.weight.data)
print(true_b,dense.bias.data)

输出：

Sequential(
  (0): Linear(in_features=2, out_features=1, bias=True)
)
Linear(in_features=2, out_features=1, bias=True)
epoch:1 , loss:0.000438
epoch:2 , loss:0.000039
epoch:3 , loss:0.000112
[2, -3.4] tensor([[ 1.9991, -3.4000]])
4.2 tensor([4.1991])

其他题目：
在刚开始训练时，训练数据集上的准确率低于测试数据集上的准确率，原因是：
训练集上的准确率是在一个epoch的过程中计算得到的，测试集上的准确率是在一个epoch结束后计算得到的，后者的模型参数更优。

在多层感知机中引入激活函数的原因是，将多个无激活函数的线性层叠加起来，其表达能力与单个线性层相同。

来源：CSDN

作者：人工智能小白菜

链接：https://blog.csdn.net/zgj_gutou/article/details/104319645

标签

num

tensor

linear