实时开奖走势网站建设,网站建设中颜色的感染力,wordpress用法,推广分享#x1f468;#x1f393;作者简介#xff1a;一位即将上大四#xff0c;正专攻机器学习的保研er #x1f30c;上期文章#xff1a;机器学习深度学习——线性回归的从零开始实现 #x1f4da;订阅专栏#xff1a;机器学习深度学习 希望文章对你们… 作者简介一位即将上大四正专攻机器学习的保研er 上期文章机器学习深度学习——线性回归的从零开始实现 订阅专栏机器学习深度学习 希望文章对你们有所帮助 由于数据迭代器、损失函数、优化器以及神经网络很常用现代深度学习库也为我们实现了这些组件。 线性回归的简洁实现 生成数据集读取数据集定义模型初始化模型参数定义损失函数定义优化算法训练 生成数据集
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2ltrue_w torch.tensor([2, -3.4])
true_b 4.2
# d2l.synthetic_data将会生成yXwb其中函数原理可以看上一章节
features, labels d2l.synthetic_data(true_w, true_b, 1000)读取数据集
可以调用框架中现有API来读取数据。我们将features和labels作为API的参数传递并通过数据迭代器指定batch_size。此外布尔值is_train表示是够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_trainTrue): #save构造一个pytorch数据迭代器# 传入数据。其中*表示对list解开入参也就是把列表元素分别当做参数传入dataset data.TensorDataset(*data_arrays)# 随机从数据集中取出batch_size个数量的参数return data.TensorDataset(dataset, batch_size, shuffleis_train)# 读取数据集
batch_size 10 # 小批量样本大小
data_iter load_array((features, labels), batch_size)如果我们要读取并打印第一个小批量样本因为我们这边是使用了iter来构造了Python迭代器因此用next来从迭代器中获取第一项
print(next(iter(data_iter)))结果 [tensor([[-0.1996, 0.5686], [ 0.6253, -0.1051], [ 0.4497, -0.2051], [ 0.3645, -0.4241], [-2.6413, -0.4506], [ 1.4606, 1.3924], [-0.2853, -0.4866], [ 1.0096, 0.5627], [ 0.4851, -0.0612], [ 0.5598, 1.4693]]), tensor([[1.8608], [5.8130], [5.8021], [6.3728], [0.4482], [2.3855], [5.2871], [4.3162], [5.3818], [0.3218]])] 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好的层我们只需要知道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这是一个Sequential顺序类的实例。Sequential类将多个层串联在一起。当给定输入数据时Sequential实例将数据传入第一层然后将第一层输出作为第二层的输入一次类推。 这里的例子里面模型只包含一个层因此实际上不需要Sequential。 回归之前所说的单层网络架构这一单层被称为全连接层因为其每个输入都通过矩阵-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。 我们将两个参数传递到nn.Linear中。 第一个指定输入特征形状即2第二个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# 定义神经网络模型
net nn.Sequential(nn.Linear(2, 1))初始化模型参数
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。 正如我们在构造nn.Linear时指定输入和输出尺寸一样 现在我们能直接访问参数以设定它们的初始值。 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。
# 初始化模型参数
net[0].weight.data.normal_(0, 0.01) # 均值为0标准差为0.01的正态分布
net[0].bias.data.fill_(0) # 偏置参数设为0定义损失函数
利用MSELoss来计算均方误差
# 定义损失函数
loss nn.MSELoss()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工具pytorch在optim模块中实现了改算法的多个变种。 当我们要实例化一个SGD实例时需要指定优化的参数可通过net.parameters()从我们的模型中获得及优化算法所需要的超参数字典。而SCG只需要设置lr即可
# 定义优化算法
trainer torch.optim.SGD(net.parameters(), lr0.03)训练
在每个迭代周期我们将完整遍历一次数据集不停地从中获取一个小批量的输入和相应的标签。而后对于每个小批量都会进行以下步骤 1、通过调用net(X)生成预测并计算损失l前向传播。 2、通过进行反向传播来计算梯度。 3、通过调用优化器来更新模型参数。
num_epochs 3
for epoch in range(num_epochs):for X, y in data_iter:l loss(net(X), y) # 计算损失trainer.zero_grad() # 梯度清零l.backward() # 损失后向传播trainer.step() # 更新网络参数l loss(net(features), labels)print(fepoch {epoch 1}, loss {l:f})结果
epoch 1, loss 0.000185
epoch 2, loss 0.000097
epoch 3, loss 0.000098
