机器学习&&深度学习——线性回归

之前已经介绍过线性回归的基本元素和随机梯度下降法及优化,现在把线性回归讲解完:

线性回归

矢量化加速

在训练模型时,我们常希望能够同时处理小批量样本,所以我们需要对计算进行矢量化,从而利用线性代数库,而不是使用效率低下的for循环,下面通过代码来直观展示矢量化的高效:

python 复制代码
import math
import time
import numpy as np
import torch
from d2l import torch as d2l

n = 10000
a = torch.ones([n])
b = torch.ones([n])

# 定义一个计时器
# 注释#@save是一个特殊的标记,会将对应的函数、类或语句保存在d2l包中
class Timer:  #@save
    """记录多次运行时间"""
    def __init__(self):
        self.times = []
        self.start()

    def start(self):
        """启动计时器"""
        self.tik = time.time()

    def stop(self):
        """停止计时器并将时间记录在列表中"""
        self.times.append(time.time() - self.tik)
        return self.times[-1]

    def avg(self):
        """返回平均时间"""
        return sum(self.times) / len(self.times)

    def sum(self):
        """返回时间和"""
        return sum(self.times)

    def cumsum(self):
        """返回累计时间"""
        return np.array(self.times).cumsum().tolist()

# 计算for循环时间
c = torch.zeros(n)
timer = Timer()
for i in range(n):
    c[i] = a[i] + b[i]
print(f'for循环所用时间:{timer.stop():.9f} sec')

# 计算重载的+运算符来计算按元素的和
timer.start()
d = a + b
print(f'矢量化加速所用时间:{timer.stop():.9f} sec')

结果:

python 复制代码
for循环所用时间:0.133013725 sec
矢量化加速所用时间:0.001002550 sec

正态分布与平方损失

在这里,通过对噪声分布的假设来解读平方损失目标函数。

正态分布(高斯分布)与线性回归的关系很密切。

概率分布概率密度函数如下:
p ( x ) = 1 2 π σ 2 e x p ( − 1 2 σ 2 ( x − μ ) 2 ) p(x)=\frac{1}{\sqrt{2π\sigma^2}}exp(-\frac{1}{2\sigma^2}(x-μ)^2) p(x)=2πσ2 1exp(−2σ21(x−μ)2)

接下来对正态分布进行可视化,代码如下:

python 复制代码
import math
import numpy as np
import torch
from d2l import torch as d2l
import matplotlib.pyplot as plt

# 定义正态分布函数
def normal(x, mu, sigma):
    p = 1 / math.sqrt(2 * math.pi * sigma**2)
    return p * np.exp(-0.5 / sigma**2 * (x - mu)**2)

# 可视化正态分布

# 使用numpy进行可视化
x = np.arange(-7, 7, 0.01)
# 均值和标准差对
params = [(0, 1), (0, 2), (3, 1)]
d2l.plot(x, [normal(x, mu, sigma) for mu, sigma in params], xlabel='x',
         ylabel='p(x)', figsize=(4.5, 2.5),
         legend=[f'mean {mu}, std{sigma}' for mu, sigma in params])
d2l.plt.show()

可以发现,改变均值会产生沿x轴的偏移,增加方差会分散分布、降低峰值。
下面内容学之前先复习一下极大似然估计,很多地方都自己推一下印象很深刻

均方误差损失函数(简称均方损失)可以用于线性回归的原因是:我们假设了观测中包含噪声,其中噪声服从正态分布。噪声正态分布如下式:
y = w T x + b + δ 其中, δ 符合正态分布 N ( 0 , σ 2 ) y=w^Tx+b+\delta\\ 其中,\delta符合正态分布N(0,\sigma^2) y=wTx+b+δ其中,δ符合正态分布N(0,σ2)

因此,我们可以写出通过给定的x观测到特定y的似然:
P ( y ∣ x ) = 1 2 π σ 2 e x p ( − 1 2 σ 2 ( y − w T x − b ) 2 ) P(y|x)=\frac{1}{\sqrt{2π\sigma^2}}exp(-\frac{1}{2\sigma^2}(y-w^Tx-b)^2) P(y∣x)=2πσ2 1exp(−2σ21(y−wTx−b)2)

现在,根据极大似然估计法,参数w和b的最优值是使整个数据集的似然最大的值:
P ( y ∣ X ) = ∏ i = 1 n p ( y ( i ) ∣ x ( i ) ) P(y|X)=\prod_{i=1}^np(y^{(i)}|x^{(i)}) P(y∣X)=i=1∏np(y(i)∣x(i))

根据极大似然估计法选择的估计量称为极大似然估计量。虽然会让很多指数函数的乘积最大化看起来很困难,但是可以在不改变目标情况下,通过最大化似然对数来简化,最终得到式子:
− l o g P ( y ∣ X ) = ∑ i = 1 n 1 2 l o g ( 2 π σ 2 ) + 1 2 σ 2 ( y ( i ) − w T x ( i ) − b ) 2 -logP(y|X)=\sum_{i=1}^n\frac{1}{2}log(2π\sigma^2)+\frac{1}{2\sigma^2}(y^{(i)}-w^Tx^{(i)}-b)^2 −logP(y∣X)=i=1∑n21log(2πσ2)+2σ21(y(i)−wTx(i)−b)2

现在只需要假设σ是某个固定常数就可以忽略第一项,因为第一项不依赖于w和b。第二项除了常数外,其余部分和前面介绍的均方误差是一样的。

上式的解不依赖于σ,因此,在高斯噪声的假设下,最小化均方误差等价于对线性模型的极大似然估计。

从线性回归到深度网络

神经网络图

如上图,就是讲线性回归模型描述为了神经网络,容易看出它是单层神经网络,该图只展示了连接模式,略去了权重和偏置。

该图中的特征维度 (输入层中的输入数)为d。

对于线性回归,每个输入都与输出相连,成这种变换为全连接层

生物学

树突接收来自其他神经元的信息xi,该信息通过突触权重wi来加权,来确定输入的影响(通过xi与wi相乘来激活或抑制)。

来自多个源的加权输入以加权和
y = ∑ x i w i + b y=\sum x_iw_i+b y=∑xiwi+b

的形式汇聚在细胞核中,将这些信息发送到轴突y中进一步处理,通常会通过σ(y)进行一些非线性处理。之后要么到达目的地(如肌肉)要么进入另一个神经元。

相关推荐
珠海新立电子科技有限公司1 小时前
FPC柔性线路板与智能生活的融合
人工智能·生活·制造
IT古董1 小时前
【机器学习】机器学习中用到的高等数学知识-8. 图论 (Graph Theory)
人工智能·机器学习·图论
曼城周杰伦1 小时前
自然语言处理:第六十三章 阿里Qwen2 & 2.5系列
人工智能·阿里云·语言模型·自然语言处理·chatgpt·nlp·gpt-3
余炜yw2 小时前
【LSTM实战】跨越千年,赋诗成文:用LSTM重现唐诗的韵律与情感
人工智能·rnn·深度学习
莫叫石榴姐2 小时前
数据科学与SQL:组距分组分析 | 区间分布问题
大数据·人工智能·sql·深度学习·算法·机器学习·数据挖掘
96772 小时前
对抗样本存在的原因
深度学习
如若1233 小时前
利用 `OpenCV` 和 `Matplotlib` 库进行图像读取、颜色空间转换、掩膜创建、颜色替换
人工智能·opencv·matplotlib
YRr YRr3 小时前
深度学习:神经网络中的损失函数的使用
人工智能·深度学习·神经网络
ChaseDreamRunner3 小时前
迁移学习理论与应用
人工智能·机器学习·迁移学习
Guofu_Liao3 小时前
大语言模型---梯度的简单介绍;梯度的定义;梯度计算的方法
人工智能·语言模型·矩阵·llama