利用torch.nn实现线性回归

---

前言

. 模块是Pytorch为神经网络设计的模块化接口， 该模块定义了大量的神经网络层。 利用 来定义模型，其核心数据结构是 。今天，我们就使用nn来实现最最简单的线性回归。

---

一、torch.nn模块简介

在实现线性回归之前，我们先来介绍一下nn的常用模块，也是之后会拿来使用的几个模块。如下图所示

二、实现线性回归

1.读取数据

PyTorch提供了 data 库来读取数据。由于data常用作变量名，这里将导入的 data 模块用 Data 代替。对前面的读取数据部分可以使用 data 库来处理。在每一次迭代张，使用 Data 随机读取包含10个数据样本的小批量。

import torch
import torch.nn as nn
import numpy as np
import torch.utils.data as Data
num_inputs = 2
num_examples = 1000
true_w = [2,-3.4]
true_b = 4.2
#其中np.random.normal(0,1,(num_examples,num_inputs)) 0,1代表了标准正态分布
# size 是 1000*2 (行，列)
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)
lr = 0.03
#批量，每次从数据集中抽取10个数据来训练
batch_size = 10
dataset = Data.TensorDataset(features,labels)
data_iter = Data.DataLoader(
    dataset=dataset,
    batch_size=batch_size,
    shuffle=True,
    num_workers=0
)

2.构建模型

构建模型的过程中，最常见的方法就是继承 .,然后构建自己的网络。一个 . 实例需要包含一些层以及返回输出的前向传播方法。下面利用 . 构建一个线性回归模型。

class LinearNet(nn.Module):
    def __init__(self,n_feature):
        super(LinearNet,self).__init__()
        self.linear = nn.Linear(n_feature,1)
    def forward(self,x):
        y = self.linear(x)
        return y
net = LinearNet(num_inputs)

除了继承 . 来构建线性回归模型，还可以利用 . 结合 . 来搭建模型

#写法1：
net = nn.Sequential(
    nn.Linear(num_inputs,1)
)
#写法2：
net = nn.Sequential()
net.add_module('linear',nn.Linear(num_inputs,1))
net.add_module(................)

3.模型参数初始化

在使用定义的模型net之前，需要对模型中的一些参数进行初始化。Pytorch在init模块中提供了许多初始化参数的方法。我们可以调运.模块通过正态分布对线性回归中的权重和偏差进行初始化

from torch.nn import init
init.normal_(net[0].weight,mean=0,std=0.01)
init.constant_(net[0].bias,val=0)

上述代码，将参数中的每个元素随机初始化为了均值为0，标准差为0.01的正态分布，同时将偏差初始化为零

4.定义损失函数和优化方法

Pytorch在 ℎ. 中提供了各种损失函数，这些损失函数实现为 . 的子类，可以将这些损失函数作为一种特殊的层。

loss = nn.MSELoss()

Pytorch在 . 模块中提供了诸如 ， 和 等优化算法。本例将使用小批量随机梯度下降算法进行优化。

import torch.optim as optim
optimizer = optim.SGD(net.parameters(),lr=0.03)
#可以为不同的子网络设置不同的子网络
# optimizer =optim.SGD([
#     # 如果不指定学习率，则用默认的最外层学习率
#     {'params': net.subnet1.parameters()}, # lr=0.03
#     {'params': net.subnet2.parameters(), 'lr': 0.01}
# ], lr=0.03)

5.模型的训练

训练模型时，可以调用 中的 () 函数来迭代模型参数。按照小批量随机梯度下降的定义，在 () 函数中指定批量大小，从而对批量中的样本梯度求平均。

num_epochs = 4
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()
        l.backward()
        optimizer.step()
    print('epoch%d,loss%f'%(epoch,l.item()))

输出结果：

epoch1,loss0.000472
epoch2,loss0.000179
epoch3,loss0.000106
epoch4,loss0.000106