0 前言
上篇:从零实现线性回归
此内容主要依据李沐老师的《动手学深度学习》课程,同时结合了网络上其它资料和自己的理解。
1 创建与读取数据集
导入模块:
import torch
import numpy as np
from torch.utils import data
from d2l import torch as d2l
超参数的设置与上节一样,我们把上节的synthetic_data
方法放入了 d2l 模块中:
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)
创建数据集:
def load_array(data_arrays, batch_size, is_train=True):
"""构造一个PyTorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays)
return data.DataLoader(dataset, batch_size, shuffle=is_train)
batch_size = 10
data_iter = load_array((features, labels), batch_size)
*data_arrays
:表示对 list 解开入参作为函数调用时,*参数用于解包tuple对象的每个元素,作为一个一个的位置参数传入到函数中。它与下面这段是等价的:
# dataset = data.TensorDataset(*data_arrays) dataset = data.TensorDataset(data_arrays[0], data_arrays[1])
布尔值is_train
表示是否希望数据迭代器对象在每个迭代周期内打乱数据。
关于
data.TensorDataset
:TensorDataset 是用来被 torch 识别的数据集,可以用来对 tensor 进行打包(传入的参数必须是 tensor 类型),即将传入的数据按索引对应起来。该类通过每一个 tensor 的第一个维度进行索引。因此,该类中的 tensor 第一维度必须相等。
我们打印示例中 dataset 的第一个数据看一下:
for X, y in dataset: print(X, y) break OUTPUT:tensor([-0.2529, 1.1370]) tensor([-0.1619])
关于
data.DataLoader
:扫描二维码关注公众号,回复: 15929490 查看本文章用来对数据进行批量划分,输入进函数的数据一定得是可迭代的,我们使用
data.TensorDataset
来转换数据集。参数说明如下:
data_iter = data.DataLoader( dataset=dataset, # 数据集 batch_size=batch_size, # 小批量大小 shuffle=is_train, # 是否打乱数据 # num_workers=2, # 多线程来读数据 )
使用data_iter
的方式与我们在上节中使用data_iter
函数的方式相同。为了验证是否正常工作,让我们读取并打印第一个小批量样本。这里我们使用iter
构造Python迭代器,并使用next
从迭代器中获取第一项:
next(iter(data_iter))
iter() 函数用来生成迭代器,传入的参数是支持迭代的集合对象:
lst = [1, 2, 3] for i in iter(lst): print(i)
next() 返回迭代器的下一个项目,通常和生成迭代器的 iter() 函数一起使用:
lst = [1, 2, 3] it = iter(lst) for i in range(3): print(next(it))
以上两个输出的结果都是:
1 2 3
2 定义模型
对于标准深度学习模型,我们可以使用框架的预定义好的层。 我们首先定义一个模型变量net
,它是一个Sequential
类的实例。 Sequential
类将多个层串联在一起,类似于按序列存放各种层的容器。 当给定输入数据时,Sequential
实例将数据传入到第一层, 然后将第一层的输出作为第二层的输入,以此类推。 由于线性回归相当于单层神经网络,实际上不需要Sequential
。
对于线性回归,每个输入都与每个输出(在本例中只有一个输出)相连, 我们将这种变换 称为 **全连接层 (fully-connected layer)**或称为 稠密层 (dense layer),因为它的每一个输入都通过矩阵-向量乘法得到它的每个输出。
在PyTorch中,全连接层在Linear
类中定义,其中第一个参数指定输入特征形状,即2,第二个参数指定输出特征形状,输出特征形状为单个标量,因此为1。
# nn是神经网络的缩写
from torch import nn
net = nn.Sequential(nn.Linear(2, 1))
3 初始化模型参数
在使用net
之前,我们需要初始化模型参数。 如在线性回归模型中的权重和偏置。在这里,我们指定每个权重参数应该从均值为0、标准差为0.01的正态分布中随机采样, 偏置参数将初始化为零。
我们通过net[0]
选择网络中的第一个图层, 然后使用weight.data
和bias.data
方法访问参数,还可以使用替换方法normal_
和fill_
来重写参数值。
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)
4 定义损失函数
计算均方误差使用的是MSELoss
类,也称为平方L2范数。 默认情况下,它返回所有样本损失的平均值。
loss = nn.MSELoss()
5 定义优化算法
小批量随机梯度下降算法是一种优化神经网络的标准工具, PyTorch在optim
模块中实现了该算法的许多变种。 我们采用其中的 SGD 算法时,要指定优化的参数 *(可通过net.parameters()从我们的模型中获得,即 w 和 b)*以及优化算法所需的超参数字典。 小批量随机梯度下降只需要设置lr
值,这里设置为0.03。
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
6 训练
训练过程代码与我们从零开始实现时所做的非常相似。
回顾一下:在每个迭代周期里,我们将完整遍历一次数据集train_data
, 不停地从中获取一个小批量的输入和相应的标签。 对于每一个小批量,我们会进行以下步骤:
- 通过调用
net(X)
生成预测并计算损失l
(前向传播)。 - 通过进行反向传播来计算梯度。
- 通过调用优化器来更新模型参数。
为了更好的衡量训练效果,我们计算每个迭代周期后的损失,并打印它来监控训练过程。
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X) ,y)
trainer.zero_grad() # 梯度清零
l.backward() # 反向传播
trainer.step() # 更新模型
l = loss(net(features), labels)
print(f'epoch {
epoch + 1}, loss {
l:f}')
输出:
epoch 1, loss 0.000157
epoch 2, loss 0.000094
epoch 3, loss 0.000094
下面我们比较生成数据集的真实参数和通过有限数据训练获得的模型参数。 要访问参数,我们首先从net
访问所需的层,然后读取该层的权重和偏置:
w = net[0].weight.data
print('w的估计误差:', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差:', true_b - b)
输出:
w的估计误差: tensor([-0.0008, 0.0006])
b的估计误差: tensor([0.0013])