动手学深度学习——线性回归的从零开始实现

我们将从零开始实现整个方法，包括流水线、模型、损失函数和小批量随机梯度下降优化器。

import os
import matplotlib.pyplot as plt
#其中matplotlib包可用于作图，且设置成嵌入式
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random

我们构造⼀个简单的⼈⼯训练数据集，给定随机⽣成的批量样本特征

，我们使⽤线性回归模型真实权重

和偏差b=4.2，以及⼀个随机噪声 项€ 来⽣成标签:

 1、生成数据集

"""
根据带有噪声的线性模型构造一个人造数据集
"""
num_inputs=2 #输入个数（特征数）为2
num_examples=1000 #训练数据集样本数为1000
true_w=[2,-3.4] #线性回归模型的真实权重
true_b=4.2 #线性回归模型的真实偏差
features=torch.from_numpy(np.random.normal(0,1,(num_examples,num_inputs)))
# 均值为0，方差为1的随机数 ，有num_examples个样本，列数为num_inputs

labels=true_w[0]*features[:,0]+true_w[1]*features[:,1]+true_b
# lables就等于w的每列乘以features的每列然后相加，最后加上偏差true_b；

labels+=torch.from_numpy(np.random.normal(0,0.01,size=labels.size()))
# 加入了一个噪音，均值为0，方差为0.01，形状和lables的长度是一样的
"""
features 的每⼀⾏是⼀个⻓度为2的向量，⽽ labels 的每⼀⾏是⼀个⻓度为1的向量（标
量）
"""
print(features[0],labels[0])
#最后输出列向量（特征和标注）

通过⽣成第⼆个特征 features[:, 1] 和标签 labels 的散点图，来观察两者间的线性关
系

def use_svg_display():
    # 用矢量图表示
    display.set_matplotlib_formats('svg')
def set_figsize(figsize=(3.5,2.5)):
    use_svg_display()
    #设置图的尺寸
    plt.rcParams['figure.figsize']=figsize
set_figsize()
plt.scatter(features[:,1].numpy(),labels.numpy(),1);
plt.show()

 也可以把上述的作图函数保存在d21zh_pytorch包中，步骤如下：

第一步：新建一个d21zh_pytorch包；

第二步：在包中新建一个methods.py 文件；

第三步：把plt 作 图 函 数 以 及 use_svg_display 函 数 和 set_figsize 函 数 定 义 在d2lzh_pytorch 中的methods.py文件中，如图：

 然后可以直接调用保存好的函数，来显示散点图：

"""
如果在d21zh_pytorch里面添加上面两个函数后，就可以使用下面的方法调用即可
"""
import sys
sys.path.append("..")
from d21zh_pytorch import *
set_figsize()
plt.scatter(features[:,1].numpy(),labels.numpy(),1);
plt.show()

2、 读取数据

在训练数据时，我们需要遍历数据集并不断读取小批量数据样本。在这里我们定义一个函数：他每次返回batch_size(批量大小)个随机样本的特征和标签。

#定义一个data_iter函数，该函数接受批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量
def data_iter(batch_size,features,labels):
    num_examples=len(features)
    indices=list (range(num_examples))
    random.shuffle(indices) #样本的读取顺序是随机的
    for i in range(0,num_examples,batch_size):
        #从0开始到num_examples结束，每次跳batch_size个大小。
        j=torch.LongTensor(indices[i:min(i+batch_size,num_examples)])
        #最后一次可能不足一个batch，所以最后一个批量取一个最小值min
        yield  features.index_select(0,j),labels.index_select(0,j)
#读取第一个小批量数据样本并打印
batch_size=10
for X,y in data_iter(batch_size,features,labels):
    print(X,'n',y) #生成X是10乘2的向量，y是10乘1的向量
    #加个‘n’ 可以让y换行表示
    break

3、 定义初始化模型参数

"""
我们将权重初始化成均值为0，标准差为0.01的正态随机数，偏差初始化成0
"""
tensor = tensor.to(torch.float32)
w=torch.tensor(np.random.normal(0,0.01,(num_inputs,1)),dtype=torch.double)

b=torch.zeros(1,dtype=torch.double)
#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)

注：w=torch.tensor(np.random.normal(0,0.01,(num_inputs,1)),dtype=torch.double)

b=torch.zeros(1,dtype=torch.double)

这里数据类型要用double，而不能用float32，否则会报错。

4、定义模型

#下面是线性回归的矢量计算表达式的实现，我们使用mm函数做矩阵乘法
def linreg(X,w,b):#线性回归模型
    return torch.mm(X,w)+b
    #返回预测（输入X乘以w，矩阵乘以向量，加上偏差）

5、定义损失函数

"""
描述的平方损失来定义线性回归的损失函数，在现实中，我们需要把真实值y变成预测值y_hat的形状。以下函数返回的结果也将和y_hat的形状相同
"""
def squared_loss(y_hat,y):
    #squared_loss均方损失
    return (y_hat - y.view(y_hat.size()))**2/2#按元素做减法，按元素做平方，最后除以2
# 注意这⾥返回的是向量, 另外, pytorch⾥的MSELoss并没有除以2

6、定义优化算法

# 以下的 sgd 函数实现了上⼀节中介绍的⼩批量随机梯度下降算法。它通过不断迭代模型参数来优化损失函数。这⾥⾃动求梯度模块计算得来的梯度是⼀个批量样本的梯度和。我们将它除以批量⼤⼩来得到平均值。
def sgd(params, lr, batch_size): #给定所有的参数param（包含了w和b），学习率，批量大小
    #小批量随机梯度下降
   for param in params: #对参数params中的每一个参数param（w或者b）
       param.data -= lr * param.grad / batch_size # 梯度存在.grad中
     ## 注意这⾥更改param时⽤的param.data

7、训练模型

lr = 0.03 #学习率设置为0.03
num_epochs = 3 #迭代周期个数为3，整个数据扫三遍
net = linreg #线性回归模型
loss = squared_loss #均方损失
#训练的实现就是两层for epoch
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)
        print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item()))

输出很多条数据从epoch1到epoch3。

#比较真实参数和通过训练学到的参数来评估训练的成功程度

print(true_w, 'n', w)
print(true_b, 'n', b)