动手学深度学习(Pytorch版)代码实践 -深度学习基础-02线性回归基础版

02线性回归基础版

主要内容

  1. 数据生成:使用线性模型 ( y = X*w + b ) 加上噪声生成人造数据集。
  2. 数据读取:通过小批量读取数据集来实现批量梯度下降,打乱数据顺序并逐批返回特征和标签。
  3. 模型参数初始化:随机初始化权重和偏置,并设置为可计算梯度。
  4. 模型定义:实现线性回归模型 ( y = X*w + b )。
  5. 损失函数:实现均方误差损失函数。
  6. 优化函数:实现小批量随机梯度下降用于更新模型参数。
  7. 模型训练:设定学习率和迭代次数,通过每个批量计算损失、反向传播和参数更新。
python 复制代码
import random
import torch

# 生成数据集
def synthetic_data(w, b, num_examples):
    """生成 y = Xw + b + 噪声"""
    # torch.normal: 返回一个从均值为0,标准差为1的正态分布中提取的随机数的张量
    # 生成形状为(num_examples, len(w))的矩阵
    X = torch.normal(0, 1, (num_examples, len(w)))
    # torch.matmul: 矩阵乘法
    y = torch.matmul(X, w) + b
    # 添加噪声:torch.normal(0, 0.01, y.shape)
    y += torch.normal(0, 0.01, y.shape)
    # reshape: 只改变张量的视图,不改变数据,将y转换为列向量
    return X, y.reshape((-1, 1))

# 定义真实的权重和偏置
true_w = torch.tensor([2, -3.4])
true_b = 4.2
# 生成特征和标签
features, labels = synthetic_data(true_w, true_b, 1000)

# 读取数据集
def data_iter(batch_size, features, labels):
    num_examples = len(features)
    # 生成一个从0到num_examples-1的整数列表
    indices = list(range(num_examples))
    # 将列表的次序打乱
    random.shuffle(indices)
    # 每次迭代生成一个小批量数据
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(indices[i:min(i + batch_size, num_examples)])
        yield features[batch_indices], labels[batch_indices]

# 设置批量大小
batch_size = 10

# 初始化模型参数 
# 随机初始化权重,设置requires_grad=True以计算梯度
w = torch.normal(0, 0.01, size=(2, 1), requires_grad=True) 

# 初始化偏置为0,设置requires_grad=True以计算梯度
b = torch.zeros(1, requires_grad=True)  

# 定义模型
def linreg(X, w, b):
    """线性回归模型"""
    return torch.matmul(X, w) + b

# 定义损失函数
def squared_loss(y_hat, y):
    """均方损失函数"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

# 定义优化函数
def sgd(params, lr, batch_size):
    """小批量随机梯度下降"""
    # 更新参数时不需要计算梯度
    with torch.no_grad():
        for param in params:
            param -= lr * param.grad / batch_size  # 参数更新
            param.grad.zero_()  # 梯度清零

# 模型训练
lr = 0.03  # 学习率
num_epochs = 5  # 迭代周期数
net = linreg  # 线性回归模型
loss = squared_loss  # 损失函数

# 开始训练
for epoch in range(num_epochs):
    for X, y in data_iter(batch_size, features, labels):
        l = loss(net(X, w, b), y)  # 计算小批量数据的损失
        l.sum().backward()  # 计算梯度
        sgd([w, b], lr, batch_size)  # 更新参数
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)  # 计算整个数据集上的损失
        print(f'第{epoch + 1}轮,损失: {float(train_l.mean()):f}')

# 打印权重和偏置的估计误差
print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')

# 示例输出:
# 第1轮,损失: 0.036624
# 第2轮,损失: 0.000131
# 第3轮,损失: 0.000052
# 第4轮,损失: 0.000052
# 第5轮,损失: 0.000052
# w的估计误差: tensor([-0.0003, -0.0008], grad_fn=<SubBackward0>)
# b的估计误差: tensor([0.0007], grad_fn=<RsubBackward1>)
相关推荐
wgc2k3 分钟前
吴恩达深度学习复盘(4)神经网络的前向传播
人工智能·深度学习
屎派克3 分钟前
神经网络知识
人工智能·深度学习·神经网络
硅谷秋水2 小时前
大语言模型智体的综述:方法论、应用和挑战(下)
人工智能·深度学习·机器学习·语言模型·自然语言处理
项目申报小狂人2 小时前
CUDA详细安装及环境配置——环境配置指南 – CUDA+cuDNN+PyTorch 安装
人工智能·pytorch·python
林泽毅2 小时前
SwanLab Slack通知插件:让AI训练状态同步更及时
深度学习·机器学习·强化学习
Niuguangshuo3 小时前
Pytorch 张量操作
pytorch·张量
大霸王龙3 小时前
LLM(语言学习模型)行为控制技术
python·深度学习·学习
Peter11467178504 小时前
服务器入门操作1(深度学习)
服务器·人工智能·笔记·深度学习·学习
蓝博AI8 小时前
基于卷积神经网络的眼疾识别系统,resnet50,efficentnet(pytorch框架,python代码)
pytorch·python·cnn