深度学习 8.线性回归的简洁实现

Author：baiyucraft

BLog： baiyucraft’s Home

原文：《动手学深度学习》

---

  线性神经网络：

• 深度学习 6.线性回归概述
• 深度学习 7.线性回归的从零开始实现

  在上一篇文章中，我们只依赖了（1）通过张量来进行数据存储和线性代数；（2）通过自动微分来计算梯度；这两样最基本的运算来实现线性回归模型。实际上，我们能用框架来很方便的实现线性回归的操作。

1.生成数据集

这一步和之前一样：

import numpy as np
import torch
from torch.utils import data

# 生成数据
true_w = torch.tensor([2, -3.4])
true_b = 4.2
# 生成数据集 特征 和 目标
features, targets = synthetic_data(true_w, true_b, 1000)

2.读取数据集

  我们可以调用框架中现有的API来读取数据。我们将 features 和 labels 作为API的参数传递，并在实例化数据迭代器对象时指定 batch_size。此外，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

def load_array(data_arrays, batch_size, is_train=True):
    """构造一个PyTorch数据迭代器。"""
    # TensorDataset 把输入的多类数据一一对应
    dataset = data.TensorDataset(*data_arrays)
    # DataLoader 重新排序
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

3.定义模型并初始化模型参数

  对于标准操作，我们可以使用框架的预定义好的层。这使我们只需关注使用哪些层来构造模型，而不必关注层的实现细节。我们首先定义一个模型变量net，它是一个 Sequential 类的实例。 Sequential 类为串联在一起的多个层定义了一个容器。当给定输入数据， 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，依此类推。在下面的例子中，我们的模型只包含一个层，因此实际上不需要Sequential。但是由于以后几乎所有的模型都是多层的，在这里使用Sequential会让你熟悉标准的流水线。

# 定义模型 2个输入，1个输出
net = nn.Sequential(nn.Linear(2, 1))
# 初始化模型参数w和b
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:

# 定义损失函数
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。当我们实例化 SGD 实例时，我们要指定优化的参数（可通过 net.parameters() 从我们的模型中获得）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。

# 定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

6.训练

  每个迭代周期中训练步骤如下：

• 通过调用 net(X) 生成预测并计算损失 l（正向传播）。
• 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。

# 训练
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X), y)
        # 梯度归零
        trainer.zero_grad()
        # 计算梯度
        l.backward()
        # 模型更新
        trainer.step()
    l = loss(net(features), targets)
    print(f'epoch: {epoch + 1}, loss: {l:f}')
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)

运行结果：