08 线性回归 + 基础优化算法
文章目录
- 前言
- 一、true_w和w以及true_b和b之间的关系
- 二、代码实现
前言
这个是我在B站上看李沐老师《动手学深度学习》之后,针对自己不懂和想记录的部分的一个记录。由于本人是刚接触深度学习的小白,所以可能会有许许多多的错误,如果您碰巧看到了这篇文章,有发现了错误,请批评指正!
一、true_w和w以及true_b和b之间的关系
true_w和true_b是自己设定的,是用来构造数据集的。
而w和b是需要通过学习来“接近”true_w和true_b的。
f = loss(net(X,w,b),y),X和y分别是由 true_w和true_b构造出来的数据和对应的标签,这段代码就是将数据X和参数w,b放入网络中进行计算,将计算的结果和标签比对并计算误差。刚开始由于w和b都是随便设定的,所以误差可能较大。
f.sum().backward(),利用反向传播函数来计算误差f对于每个分量X,w,b,y的梯度;因为后面要用到w和b的梯度。(但没有用到X和y的梯度)
sgd([w, b], batch_size, lr),调用sgd函数;利用sgd函数中的 param -= lr * param.grad / batch_size 这一段代码,使用参数梯度更新参数。
train_l = loss(net(features, w, b), labels),在更新完了w,b之后,再将数据和参数w,b放入网络中和标签对比并计算误差
for epoch in range(0, num_epochs):
for X, y in read_data(batch_size, features, labels):
f = loss(net(X, w, b), y)
f.sum().backward()
sgd([w, b], batch_size, lr) # 使用参数的梯度更新参数
with torch.no_grad():
train_l = loss(net(features, w, b), labels)
print("w {0} \nb {1} \nloss {2:f}".format(w, b, float(train_l.mean())))
def sgd(params, batch_size, lr):
with torch.no_grad(): # with torch.no_grad() 则主要是用于停止autograd模块的工作,
for param in params:
param -= lr * param.grad / batch_size ## 这里用param = param - lr * param.grad / batch_size会导致导数丢失, zero_()函数报错
param.grad.zero_() ## 导数如果丢失了,会报错‘NoneType’ object has no attribute ‘zero_’
二、代码实现
import random
import torch
## 人造数据集
def create_data(w, b, nums_example):
X = torch.normal(0, 1, (nums_example, len(w)))
y = torch.matmul(X, w) + b
print("y_shape:", y.shape)
y += torch.normal(0, 0.01, y.shape) # 加入噪声
return X, y.reshape(-1, 1) # y从行向量转为列向量
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = create_data(true_w, true_b, 1000)
## 读数据集
def read_data(batch_size, features, lables):
nums_example = len(features)
indices = list(range(nums_example)) # 生成0-999的元组,然后将range()返回的可迭代对象转为一个列表
random.shuffle(indices) # 将序列的所有元素随机排序。
for i in range(0, nums_example, batch_size): # range(start, stop, step)
index_tensor = torch.tensor(indices[i: min(i + batch_size, nums_example)])
yield features[index_tensor], lables[index_tensor] # yield就是 return 返回一个值,并且记住这个返回的位置,下次迭代就从这个位置后开始。
batch_size = 10
for X, y in read_data(batch_size, features, labels):
print("X:", X, "\ny", y)
break;
##初始化参数
w = torch.normal(0, 0.01, size=(2, 1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
# 定义模型
def net(X, w, b):
return torch.matmul(X, w) + b
# 定义损失函数
def loss(y_hat, y):
# print("y_hat_shape:",y_hat.shape,"\ny_shape:",y.shape)
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2 # 这里为什么要加 y_hat_shape: torch.Size([10, 1]) y_shape: torch.Size([10])
# 定义优化算法
def sgd(params, batch_size, lr):
with torch.no_grad(): # with torch.no_grad() 则主要是用于停止autograd模块的工作,
for param in params:
param -= lr * param.grad / batch_size ## 这里用param = param - lr * param.grad / batch_size会导致导数丢失, zero_()函数报错
param.grad.zero_() ## 导数如果丢失了,会报错‘NoneType’ object has no attribute ‘zero_’
# 训练模型
lr = 0.03
num_epochs = 3
for epoch in range(0, num_epochs):
for X, y in read_data(batch_size, features, labels):
f = loss(net(X, w, b), y)
# 因为`f`形状是(`batch_size`, 1),而不是一个标量。`f`中的所有元素被加到一起,
# 并以此计算关于[`w`, `b`]的梯度
f.sum().backward()
sgd([w, b], batch_size, lr) # 使用参数的梯度更新参数
with torch.no_grad():
train_l = loss(net(features, w, b), labels)
print("w {0} \nb {1} \nloss {2:f}".format(w, b, float(train_l.mean())))
print("w误差 ", true_w - w, "\nb误差 ", true_b - b)