線性回歸pytorch框架實現

• 線性回歸的簡潔實現
• • 生成數據集
  • 讀取數據
  • 定義模型
  • 初始化模型參數
  • 定義損失函數
  • 定義優化算法
  • 訓練模型
  • 小結
  • 完整代碼:

線性回歸的簡潔實現

隨著深度學習框架的發展，開發深度學習應用變得越來越便利。實踐中，我們通常可以用比上一節更簡潔的代碼來實現同樣的模型。在本節中，我們將介紹如何使用PyTorch更方便地實現線性回歸的訓練。
強烈建議和上一節無框架實現進行對比，比起讀框架的源代碼，能夠直觀地認識pytorch框架的功能。

生成數據集

該部分和上一節一樣。其中features是訓練數據特征，labels是標簽。

#生成數據集以及計算grand-truth,和之前一樣 num_inputs=2 #要訓練的權重個數(面積和房齡兩個特征(影響放假的因素)的權重) num_examples=1000 #樣本數量 true_w=[2,-4] true_b=4.2 features=torch.randn(num_examples,num_inputs,dtype=torch.float32) #代表X矩陣 labels=torch.mm(features,torch.Tensor(true_w).view(-1,1)) #mm為矩陣相乘,此處為1000*2的矩陣乘以2*1的矩陣,mul為點乘 labels+=torch.tensor(np.random.normal(0, 0.01, size=labels.size()),dtype=torch.float32) #加均值為0,方差為1的隨機噪聲項

讀取數據

PyTorch提供了data包來讀取數據。由于data常用作變量名，我們將導入的data模塊用Data代替。在每一次迭代中，我們將隨機讀取包含10個數據樣本的小批量。

import torch.utils.data as Databatch_size = 10 # 將訓練數據的特征和標簽組合 dataset = Data.TensorDataset(features, labels) # 隨機讀取小批量 data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)

這里data_iter的使用跟上一節中的一樣。讓我們讀取并打印第一個小批量數據樣本。

for X, y in data_iter:print(X, y)break

輸出：

tensor([[-2.7723, -0.6627],[-1.1058, 0.7688],[ 0.4901, -1.2260],[-0.7227, -0.2664],[-0.3390, 0.1162],[ 1.6705, -2.7930],[ 0.2576, -0.2928],[ 2.0475, -2.7440],[ 1.0685, 1.1920],[ 1.0996, 0.5106]]) tensor([ 0.9066, -0.6247, 9.3383, 3.6537, 3.1283, 17.0213, 5.6953, 17.6279,2.2809, 4.6661])

定義模型

在上一節從零開始的實現中，我們需要定義模型參數，并使用它們一步步描述模型是怎樣計算的。當模型結構變得更復雜時，這些步驟將變得更繁瑣。其實，PyTorch提供了大量預定義的層，這使我們只需關注使用哪些層來構造模型。下面將介紹如何使用PyTorch更簡潔地定義線性回歸。

首先，導入torch.nn模塊。實際上，“nn”是neural networks（神經網絡）的縮寫。顧名思義，該模塊定義了大量神經網絡的層。之前我們已經用過了autograd，而nn就是利用autograd來定義模型。nn的核心數據結構是Module，它是一個抽象概念，既可以表示神經網絡中的某個層（layer），也可以表示一個包含很多層的神經網絡。在實際使用中，最常見的做法是繼承nn.Module，撰寫自己的網絡/層。一個nn.Module實例應該包含一些層以及返回輸出的前向傳播（forward）方法。下面先來看看如何用nn.Module實現一個線性回歸模型。

class LinearNet(nn.Module):def __init__(self, n_feature):super().__init__()self.linear = nn.Linear(n_feature, 1)# forward 定義前向傳播def forward(self, x):y = self.linear(x)return ynet = LinearNet(num_inputs) print(net) # 使用print可以打印出網絡的結構

輸出：

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

理解下nn.Linear(2,1),如下圖,2代表輸入層的2個結點,1代表輸出層的1個結點。由此可見,參數(權重)個數等于2*1=2個。

圖中線性回歸在神經網絡圖中的表示。作為一個單層神經網絡，線性回歸輸出層中的神經元和輸入層中各個輸入完全連接。因此，線性回歸的輸出層又叫全連接層。

注意：torch.nn僅支持輸入一個batch的樣本不支持單個樣本輸入，如果只有單個樣本，可使用input.unsqueeze(0)來添加一維。

可以通過net.parameters()來查看模型所有的可學習參數，此函數將返回一個生成器。

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

輸出：

Parameter containing: tensor([[-0.0277, 0.2771]], requires_grad=True) Parameter containing: tensor([0.3395], requires_grad=True)

權重參數為w和b，分別對應這上面w和b的矩陣形狀。

事實上我們還可以用nn.Sequential來更加方便地搭建網絡，Sequential是一個有序的容器，網絡層將按照在傳入Sequential的順序依次被添加到計算圖中。

# 寫法一 net = nn.Sequential(nn.Linear(num_inputs, 1)# 此處還可以傳入其他層)# 寫法二 net = nn.Sequential() net.add_module('linear', nn.Linear(num_inputs, 1)) # net.add_module ......# 寫法三 from collections import OrderedDict net = nn.Sequential(OrderedDict([('linear', nn.Linear(num_inputs, 1))# ......]))print(net) print(net[0])

輸出：

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

初始化模型參數

在使用net前，我們需要初始化模型參數，如線性回歸模型中的權重和偏差。PyTorch在init模塊中提供了多種參數初始化方法。這里的init是initializer的縮寫形式。我們通過init.normal_將權重參數每個元素初始化為隨機采樣于均值為0、標準差為0.01的正態分布。偏差會初始化為零。

from torch.nn import initinit.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)

注：如果這里的net是用上面的代碼自定義的，那么上面代碼會報錯，net[0].weight應改為net.linear.weight，bias亦然。因為net[0]這樣根據下標訪問子模塊的寫法只有當net是個ModuleList或者Sequential實例時才可以。

定義損失函數

PyTorch在nn模塊中提供了各種損失函數，這些損失函數可看作是一種特殊的層，PyTorch也將這些損失函數實現為nn.Module的子類。我們現在使用它提供的均方誤差損失作為模型的損失函數。

loss = nn.MSELoss()

定義優化算法

同樣，我們也無須自己實現小批量隨機梯度下降算法。torch.optim模塊提供了很多常用的優化算法比如SGD、Adam和RMSProp等。下面我們創建一個用于優化net所有參數的優化器實例，并指定學習率為0.03的小批量隨機梯度下降（SGD）為優化算法。

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

輸出：

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

我們還可以為不同子網絡設置不同的學習率，這在finetune時經常用到。例：

optimizer =optim.SGD([# 如果對某個參數不指定學習率，就使用最外層的默認學習率{'params': net.subnet1.parameters()}, # lr=0.03{'params': net.subnet2.parameters(), 'lr': 0.01}], lr=0.03)

這里會報bug，因為本例沒有子網絡
有時候我們不想讓學習率固定成一個常數，那如何調整學習率呢？主要有兩種做法。一種是修改optimizer.param_groups中對應的學習率，另一種是更簡單也是較為推薦的做法——新建優化器，由于optimizer十分輕量級，構建開銷很小，故而可以構建新的optimizer。但是后者對于使用動量的優化器（如Adam），會丟失動量等狀態信息，可能會造成損失函數的收斂出現震蕩等情況。

# 調整學習率 for param_group in optimizer.param_groups:param_group['lr'] *= 0.1 # 學習率為之前的0.1倍

如有不懂可參考pytorch中文文檔

訓練模型

在訓練模型時，我們通過調用optim實例的step函數來迭代模型參數。按照小批量隨機梯度下降的定義，我們在step函數中指明批量大小，從而對批量中樣本梯度求平均。

num_epochs=5 for epoch in range(num_epochs):for X,y in data_iter:output=net(X)l=loss(output,y.view(-1,1))optimizer.zero_grad() #梯度清零,等價于net.zero_grad()l.backward()optimizer.step()print('epoch %d, loss: %f' % (epoch+1, l.item()))

輸出：

epoch 1, loss: 5.381509 epoch 2, loss: 1.179612 epoch 3, loss: 0.390883 epoch 4, loss: 0.268623 epoch 5, loss: 0.036446

下面我們分別比較學到的模型參數和真實的模型參數。我們從net獲得需要的層，并訪問其權重（weight）和偏差（bias）。學到的參數和真實的參數很接近。

dense = net[0] print(true_w, dense.weight) print(true_b, dense.bias)#如果出錯就用下面的代碼,原因見上面初始化參數 print(true_w, net.linear.weight) print(true_b, net.linear.bias)

輸出：

[2, -3.4] tensor([[ 1.9999, -3.4005]]) 4.2 tensor([4.2011])

小結

• 使用PyTorch可以更簡潔地實現模型。
• torch.utils.data模塊提供了有關數據處理的工具，torch.nn模塊定義了大量神經網絡的層，torch.nn.init模塊定義了各種初始化方法，torch.optim模塊提供了很多常用的優化算法。

---

注：本節除了代碼之外與原書基本相同，原書傳送門

完整代碼:

#使用框架簡潔實現線性回歸案例 import torch import numpy as np import torch.utils.data as Data import torch.nn as nn import torch.optim as optim from torch.nn import init #初始化參數#生成數據集以及計算grand-truth,和之前一樣 num_inputs=2 #要訓練的權重個數(面積和房齡兩個特征(影響放假的因素)的權重) num_examples=1000 #樣本數量 true_w=[2,-4] true_b=4.2 features=torch.randn(num_examples,num_inputs,dtype=torch.float32) #代表X矩陣 labels=torch.mm(features,torch.Tensor(true_w).view(-1,1)) #mm為矩陣相乘,此處為1000*2的矩陣乘以2*1的矩陣,mul為點乘 labels+=torch.tensor(np.random.normal(0, 0.01, size=labels.size()),dtype=torch.float32) #加均值為0,方差為1的隨機噪聲項#讀取數據 batch_size = 10 dataset = Data.TensorDataset(features, labels)# 將訓練數據的特征和標簽組合 data_iter = Data.DataLoader(dataset, batch_size, shuffle=True) # 隨機讀取小批量,此處的data_iter和上一節生成的data_iter是一樣的#定義模型(模型就是一層網絡) class LinearNet(nn.Module):def __init__(self,n_feature):super().__init__()self.linear=nn.Linear(n_feature,1) #表示n_feature個神經元經過乘權重加權求和,得到一個輸出#前饋傳播def forward(self,x):y=self.linear(x)return y#實例化模型 net=LinearNet(num_inputs) #print(net) 打印其網絡結構#初始化模型參數 init.normal_(net.linear.weight, mean=0, std=0.01) #均值為0,標準差為0.01的隨機分布 init.constant_(net.linear.bias, val=0) # 也可以直接修改bias的data: net[0].bias.data.fill_(0)#查看模型參數 for param in net.parameters():print(param)#定義損失函數,均方誤差 loss=nn.MSELoss()#定義優化算法 optimizer=optim.SGD(net.parameters(),lr=0.03)#print(optimizer)# 調整學習率 for param_group in optimizer.param_groups:param_group['lr'] *= 0.1 # 學習率為之前的0.1倍#訓練模型 num_epochs=5 for epoch in range(num_epochs):for X,y in data_iter:output=net(X)l=loss(output,y.view(-1,1))optimizer.zero_grad() #梯度清零,等價于net.zero_grad()l.backward()optimizer.step()print('epoch %d, loss: %f' % (epoch+1, l.item()))print(true_w, net.linear.weight) print(true_b, net.linear.bias)

總結

以上是生活随笔為你收集整理的深度学习pytorch--线性回归(三)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。