Torch学习 线性回归的简洁实现

1.生成数据集

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)

2.读取数据

PyTorch提供了data包来读取数据。由于data常用作变量名，我们将导入的data模块用Data代替。在每一次迭代中，我们将随机读取包含10个数据样本的小批量。

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)
#data_iter的使用跟前面的类似，读取并打印第一个小批量数据样本
for X,y in data_iter:
    print(X,y)
    break

tensor([[-0.8819,  0.0828],
        [ 0.2298,  0.7712],
        [-0.3712, -1.8766],
        [-0.3710,  0.2108],
        [-1.4011,  0.1674],
        [-0.7357, -0.4200],
        [-0.6656,  1.3309],
        [-0.2409, -1.4489],
        [-0.9532,  0.1188],
        [-0.3495,  0.5370]]) tensor([ 2.1645,  2.0388,  9.8156,  2.7300,  0.8326,  4.1682, -1.6513,  8.6493,
         1.8920,  1.6803])

3.定义模型

PyTorch提供了大量预定义的层，这使我们只需关注使用哪些层来构造模型。下面将介绍如何使用PyTorch更简洁地定义线性回归。
首先，导入torch.nn模块。实际上，“nn”是neural networks（神经网络）的缩写。顾名思义，该模块定义了大量神经网络的层。之前我们已经用过了autograd，而nn就是利用autograd来定义模型。nn的核心数据结构是Module，它是一个抽象概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。在实际使用中，最常见的做法是继承nn.Module，撰写自己的网络/层。一个nn.Module实例应该包含一些层以及返回输出的前向传播（forward）方法。下面先来看看如何用nn.Module实现一个线性回归模型。

import torch
import torch.nn as nn
class LinearNet(nn.Module): #NameError: name 'nn' is not defined
    def __init__(self,n_feature):#__init__初始化方法敲错了多了个self
        super(LinearNet,self).__init__() 
        self.linear=nn.Linear(n_feature,1)#多敲了个等号  ModuleAttributeError: 'LinearNet' object has no attribute 'linear'
    #forward 定义前向传播
    def forward(self,x):
        y=self.linear(x)
        return y
net=LinearNet(num_inputs) 
#TypeError: __init__() takes 1 positional argument but 2 were given
print(net) #使用print打印网络形状

LinearNet(
  (linear): Linear(in_features=2, out_features=1, bias=True)
)

还可以用nn.Sequential来更加方便地搭建网络，Sequential是一个有序的容器，网络层将按照在传入Sequential的顺序依次被添加到计算图中

#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]) 
                 
Sequential(
  (linear): Linear(in_features=2, out_features=1, bias=True)
)
Linear(in_features=2, out_features=1, bias=True)

可以通过net.parameters()来查看模型所有的可学习参数，此函数将返回一个生成器

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

Parameter containing:
tensor([[-0.4144, -0.2758]], requires_grad=True)
Parameter containing:
tensor([0.2891], requires_grad=True)

作为一个单层神经网络，线性回归输出层中的神经元和输入层中各个输入完全连接。因此，线性回归的输出层又叫全连接层。¶
注意：torch.nn仅支持输入一个batch的样本不支持单个样本输入，如果只有单个样本，可使用input.unsqueeze(0)来添加一维。

4.初始化模型参数

在使用net前，我们需要初始化模型参数，如线性回归模型中的权重和偏差。PyTorch在init模块中提供了多种参数初始化方法。这里的init是initializer的缩写形式。我们通过init.normal_将权重参数每个元素初始化为随机采样于均值为0、标准差为0.01的正态分布。偏差会初始化为零。

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)

Parameter containing:
tensor([0.], requires_grad=True)

5.定义损失函数

PyTorch在nn模块中提供了各种损失函数，这些损失函数可看作是一种特殊的层，PyTorch也将这些损失函数实现为nn.Module的子类。我们现在使用它提供的均方误差损失作为模型的损失函数。

loss=nn.MSELoss()

6.定义优化算法

同样，我们也无须自己实现小批量随机梯度下降算法。torch.optim模块提供了很多常用的优化算法比如SGD、Adam和RMSProp等。下面我们创建一个用于优化net所有参数的优化器实例，并指定学习率为0.03的小批量随机梯度下降（SGD）为优化算法

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

SGD (
Parameter Group 0
    dampening: 0
    lr: 0.03
    momentum: 0
    nesterov: False
    weight_decay: 0
)

为不同子网络设置不同的学习率，这在finetune时经常用到

optimizer=optim.SGD([{'params':net.subnet1.parameters()},
                     {'params':net.subnet2.parameters(),'lr':0.01}],lr=0.03)

一种是修改optimizer.param_groups中对应的学习率，另一种是更简单也是较为推荐的做法——新建优化器，由于optimizer十分轻量级，构建开销很小，故而可以构建新的optimizer。但是后者对于使用动量的优化器（如Adam），会丢失动量等状态信息，可能会造成损失函数的收敛出现震荡等情况

#调整学习率
for param_group in optimizer.param_groups:
    param_group['lr']*=0.1 #学习率为之前的0.1倍

7.训练模型

​
在使用Gluon训练模型时，我们通过调用optim实例的step函数来迭代模型参数。按照小批量随机梯度下降的定义，我们在step函数中指明批量大小，从而对批量中样本梯度求平均。

num_epochs=100
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()))

epoch 1, loss:7.228635
epoch 2, loss:4.512716
epoch 3, loss:0.753520
epoch 4, loss:0.155140
epoch 5, loss:0.045105
epoch 6, loss:0.005451
epoch 7, loss:0.003393
epoch 8, loss:0.001856
epoch 9, loss:0.000448
epoch 10, loss:0.000182
epoch 11, loss:0.000092
epoch 12, loss:0.000087
epoch 13, loss:0.000038
epoch 14, loss:0.000040
epoch 15, loss:0.000107
epoch 16, loss:0.000129
epoch 17, loss:0.000041
epoch 18, loss:0.000067
epoch 19, loss:0.000118
epoch 20, loss:0.000134
epoch 21, loss:0.000101
epoch 22, loss:0.000090
epoch 23, loss:0.000054
epoch 24, loss:0.000144
epoch 25, loss:0.000060
epoch 26, loss:0.000041
epoch 27, loss:0.000055
epoch 28, loss:0.000103
epoch 29, loss:0.000053
epoch 30, loss:0.000165
epoch 31, loss:0.000068
epoch 32, loss:0.000175
epoch 33, loss:0.000047
epoch 34, loss:0.000130
epoch 35, loss:0.000049
epoch 36, loss:0.000103
epoch 37, loss:0.000051
epoch 38, loss:0.000137
epoch 39, loss:0.000156
epoch 40, loss:0.000092
epoch 41, loss:0.000061
epoch 42, loss:0.000111
epoch 43, loss:0.000101
epoch 44, loss:0.000038
epoch 45, loss:0.000150
epoch 46, loss:0.000168
epoch 47, loss:0.000072
epoch 48, loss:0.000114
epoch 49, loss:0.000035
epoch 50, loss:0.000089
epoch 51, loss:0.000115
epoch 52, loss:0.000097
epoch 53, loss:0.000225
epoch 54, loss:0.000151
epoch 55, loss:0.000097
epoch 56, loss:0.000158
epoch 57, loss:0.000065
epoch 58, loss:0.000074
epoch 59, loss:0.000154
epoch 60, loss:0.000075
epoch 61, loss:0.000120
epoch 62, loss:0.000063
epoch 63, loss:0.000084
epoch 64, loss:0.000108
epoch 65, loss:0.000242
epoch 66, loss:0.000086
epoch 67, loss:0.000169
epoch 68, loss:0.000098
epoch 69, loss:0.000135
epoch 70, loss:0.000089
epoch 71, loss:0.000059
epoch 72, loss:0.000041
epoch 73, loss:0.000051
epoch 74, loss:0.000123
epoch 75, loss:0.000112
epoch 76, loss:0.000084
epoch 77, loss:0.000103
epoch 78, loss:0.000122
epoch 79, loss:0.000142
epoch 80, loss:0.000101
epoch 81, loss:0.000086
epoch 82, loss:0.000109
epoch 83, loss:0.000056
epoch 84, loss:0.000108
epoch 85, loss:0.000042
epoch 86, loss:0.000063
epoch 87, loss:0.000091
epoch 88, loss:0.000124
epoch 89, loss:0.000103
epoch 90, loss:0.000112
epoch 91, loss:0.000031
epoch 92, loss:0.000102
epoch 93, loss:0.000042
epoch 94, loss:0.000177
epoch 95, loss:0.000064
epoch 96, loss:0.000114
epoch 97, loss:0.000086
epoch 98, loss:0.000062
epoch 99, loss:0.000069
epoch 100, loss:0.000164

下面我们分别比较学到的模型参数和真实的模型参数。我们从net获得需要的层，并访问其权重（weight）和偏差（bias）。学到的参数和真实的参数很接近。

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

[2, -3.4] Parameter containing:
tensor([[ 2.0001, -3.4002]], requires_grad=True)
4.2 Parameter containing:
tensor([4.1998], requires_grad=True)

torch.utils.data模块提供了有关数据处理的工具，torch.nn模块定义了大量神经网络的层，torch.nn.init模块定义了各种初始化方法，torch.optim模块提供了很多常用的优化算法