Press "Enter" to skip to content

线性回归实现

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

深度学习第一章:最简单的线性回归实现

 

1. 引言

 

AI领域的线性回归和其他领域不太一样,包括了名词和实现方式,所以必须先认识重要名词,再把所有步骤熟悉一边,并建立在之前学习线性回归的基础上

 

2. 学习目的:

 

 

    1. 知道线性回归是什幺

 

    1. 知道线性回归在深度学习领域怎幺在python上实现

 

    1. 代码实现,运行结果

 

    1. 知道每行代码怎幺来的

 

    1. 了解与后面的联系

 

 

3. 线性回归是什幺

 

 

4. python 实现步骤

 

 

    1. 数据部分

 

      1. 数据生成

 

      1. 数据处理(小批量提取,生成迭代器)

 

模型初始化

 

      1. 模型定义

 

      1. 模型初始化

 

      1. 损失函数定义

 

更新规则:

 

      1. 优化函数定义:SGD 梯度下降

 

训练(包含求出损失,反向传递,梯度下降,梯度清零)

 

5. 代码部分+解读:

 

import torch as tc
import numpy as np
from torch.utils import data
from  LimuAi.Linear_regression import synthetic_data
from torch import nn
#处理数据:
'''
定义实际数据
'''
true_k=tc.tensor([2,-3.4])
true_b=4.2
feature,lable=synthetic_data(true_k,true_b,1000) #数据初始化
'''
定义读取数据的方法
'''
def read_data(sample,batch_size,is_train=True):#python是一个缩进控制组块的语言
    dataset=data.TensorDataset(*sample) #将sample变成元组之后,经过TensorDataset变成dataset对象,方便传入dataloader函数进行小批量的抽取(我猜的,还没求证)
    return data.DataLoader(dataset,batch_size,shuffle=is_train) #返回一个迭代器,小批量的返回样本数据
batch_size=10
item=read_data((feature,lable),batch_size) #生成item作为下方训练用的迭代器,进行小批量随机梯度下降
print(next(iter(item))) # 使用next得出第一个小批次
'''
定义模型
'''
net = nn.Sequential(nn.Linear(2, 1)) #搭建一个单层神经网络,并且神经元使用的是线性结构,且有两个输入,一个输出
'''
初始化模型参数
'''
net[0].weight.data.normal_(0, 0.01)#对net实力初始化模型即使用[0]来定位,weight/bias .data来初始化,
net[0].bias.data.fill_(0)
'''
定义损失函数
'''
loss = nn.MSELoss() #使用nn底下的包即可实现计算MSE
'''
定义优化算法
'''
trainer = tc.optim.SGD(net.parameters(), lr=0.03)
#把优化算法也定义成对象,通过torch的optim包的SGD来实例化,SGD实例化需要模型参数和学习率(也是梯度下降所必须的)
#参数通过net的parameter可直接输入
'''
训练
'''
num_epochs = 3 #把数据集遍历三遍
for epoch in range(num_epochs): #迭代器必须是一个list/元组之类的
    for X, y in item: #取出随机小批次,用来梯度下降
        l=loss(net(X),y)#比较计算出的yhat和真实的y的RMSE
        trainer.zero_grad() #用来清除模型的累计梯度
        l.backward() #反向传递,回调
        trainer.step() #更新模型参数
    l=loss(net(feature),lable)
    print(f'epoch {epoch + 1}, loss {l:f}')

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。