深度学习 #01

# 线性回归的从零开始实现

In[6]:

get_ipython().run_line_magic('matplotlib', 'inline')
import torch
from IPython import display
from matplotlib import pyplot as plt
import numpy as np
import random

## 生成数据集

In[7]:

num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.randn(num_examples, num_inputs,
dtype=torch.float32)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),
dtype=torch.float32)

In[8]:

print(features[0], labels[0])

In[9]:

def use_svg_display():
# 用矢量图显示
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

# 在../d2lzh_pytorch里面添加上面两个函数后就可以这样导入

import sys

sys.path.append("..")

from d2lzh_pytorch import *

set_figsize()
plt.scatter(features[:, 1].numpy(), labels.numpy(), 1);

## 读取数据

In[10]:

本函数已保存在d2lzh包中方便以后使用

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):
j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch
yield features.index_select(0, j), labels.index_select(0, j)

In[11]:

batch_size = 10

for X, y in data_iter(batch_size, features, labels):
print(X, y)
break

## 初始化模型参数

In[12]:

w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32)
b = torch.zeros(1, dtype=torch.float32)

In[13]:

w.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)

## 定义模型

In[14]:

def linreg(X, w, b): # 本函数已保存在d2lzh_pytorch包中方便以后使用
return torch.mm(X, w) + b

## 定义损失函数

In[15]:

def squared_loss(y_hat, y): # 本函数已保存在d2lzh_pytorch包中方便以后使用
# 注意这里返回的是向量, 另外, pytorch里的MSELoss并没有除以 2
return (y_hat - y.view(y_hat.size())) ** 2 / 2

## 定义优化算法

In[16]:

def sgd(params, lr, batch_size): # 本函数已保存在d2lzh_pytorch包中方便以后使用
for param in params:
param.data -= lr * param.grad / batch_size # 注意这里更改param时用的param.data

## 训练模型

In[17]:

lr = 0.03
num_epochs = 3
net = linreg
loss = squared_loss

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()))

In[18]:

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

# 线性回归的简洁实现

## 生成数据集

In[19]:

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

## 读取数据

In[20]:

import torch.utils.data as Data

batch_size = 10

将训练数据的特征和标签组合

dataset = Data.TensorDataset(features, labels)

随机读取小批量

data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)

In[21]:

for X, y in data_iter:
print(X, y)
break

## 定义模型

In[24]:

from torch import nn

In[25]:

class LinearNet(nn.Module):
def init(self, n_feature):
super(LinearNet, self).init()
self.linear = nn.Linear(n_feature, 1)
# forward 定义前向传播
def forward(self, x):
y = self.linear(x)
return y

net = LinearNet(num_inputs)
print(net) # 使用print可以打印出网络的结构

In[26]:

写法一

net = nn.Sequential(
nn.Linear(num_inputs, 1)
# 此处还可以传入其他层
)

写法二

net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))

net.add_module ......

写法三

from collections import OrderedDict
net = nn.Sequential(OrderedDict([
('linear', nn.Linear(num_inputs, 1))
# ......
]))

print(net)
print(net[0])

In[27]:

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

## 初始化模型参数

In[28]:

from torch.nn import init

init.normal_(net[0].weight, mean=0, std=0.01)
init.constant_(net[0].bias, val=0) # 也可以直接修改bias的data: net[0].bias.data.fill_(0)

## 定义损失函数

In[29]:

loss = nn.MSELoss()

## 定义优化算法

In[30]:

import torch.optim as optim

optimizer = optim.SGD(net.parameters(), lr=0.03)
print(optimizer)

## 训练模型

In[31]:

num_epochs = 3
for epoch in range(1, num_epochs + 1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))

In[32]:

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