【动手学深度学习pytorch版笔记NO.4】3.3 线性回归的简洁实现
2020-06-09 05:00
218 查看
3.3 线性回归的简洁实现
介绍如何使用PyTorch更方便地实现线性回归的训练。
3.3.1 生成数据集
首先我们导入所需要的包
import torch from torch import nn import numpy as np torch.manual_seed(1) #神经网络都需要初始化,设计随机初始化种子,能保证初始化每次都相同 print(torch.__version__) torch.set_default_tensor_type('torch.FloatTensor') #设置默认的Tensor类型
拓展阅读:python—pytorch-torch.manual_seed(1)的作用
利用随机数种子来使pytorch中的结果可以复现
PyTorch学习笔记(2)——变量类型(cpu/gpu)
接着,我们生成与上一节中相同的数据集。其中
features是训练数据特征,
labels是标签。
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)
3.3.2 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为数据集 dataset = Data.TensorDataset(features, labels) # 随机读取小批量 data_iter = Data.DataLoader( dataset=dataset, # torch TensorDataset format batch_size=batch_size, # mini batch size shuffle=True, # 要不要随机排序数据 (打乱比较好) num_workers=2, # 多线程来读数据 )
这里
data_iter的使用跟上一节中的一样。让我们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
输出:
tensor([[-0.7831, 0.3737], [-0.8280, -0.1952], [-0.1209, -0.8404], [-0.6035, 0.7167], [-0.6643, 0.6408], [ 1.1504, -0.1086], [ 1.2603, -0.7934], [-0.5843, 0.5821], [-1.6417, 2.9379], [-0.9704, 0.7812]]) tensor([ 1.3716, 3.2122, 6.8138, 0.5557, 0.7058, 6.8720, 9.4467, 1.0609, -9.0638, -0.3960])
3.3.3 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。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。
class LinearNet(nn.Module): def __init__(self, n_feature): super(LinearNet, self).__init__() self.linear = nn.Linear(n_feature, 1) # forward 定义前向传播 def forward(self, x): y = self.linear(x) return y net = LinearNet(num_inputs) print(net) # 使用print可以打印出网络的结构
输出:
LinearNet( (linear): Linear(in_features=2, out_features=1, bias=True) )
事实上我们还可以用
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])
输出:
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)
输出:
Parameter containing: tensor([[-0.0277, 0.2771]], requires_grad=True) Parameter containing: tensor([0.3395], requires_grad=True)
回顾图3.1中线性回归在神经网络图中的表示。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。
3.3.4 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)
注:如果这里的
net是用3.3.3节一开始的代码自定义的,那么上面代码会报错,net[0].weight应改为net.linear.weight,bias亦然。因为net[0]这样根据下标访问子模块的写法只有当net是个ModuleList或者Sequential实例时才可以,详见4.1节。
3.3.5 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()
3.3.6 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)
输出:
SGD ( Parameter Group 0 dampening: 0 lr: 0.03 momentum: 0 nesterov: False weight_decay: 0 )
我们还可以为不同子网络设置不同的学习率,这在finetune时经常用到。例:
optimizer =optim.SGD([ # 如果对某个参数不指定学习率,就使用最外层的默认学习率 {'params': net.subnet1.parameters()}, # lr=0.03 {'params': net.subnet2.parameters(), 'lr': 0.01} ], lr=0.03)
有时候我们不想让学习率固定成一个常数,那如何调整学习率呢?主要有两种做法。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
3.3.7 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 = 3 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()))
输出:
epoch 1, loss: 0.000457 epoch 2, loss: 0.000081 epoch 3, loss: 0.000198
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)
输出:
[2, -3.4] tensor([[ 1.9999, -3.4005]]) 4.2 tensor([4.2011])
小结
- 使用PyTorch可以更简洁地实现模型。
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。
相关文章推荐
- ElitesAI·动手学深度学习PyTorch版学习笔记-线性回归;Softmax与分类模型、多层感知机
- 《Gluon 动手学深度学习 五》线性回归Gluon实现
- 动手学深度学习笔记1线性回归
- 动手学深度学习PyTorch版 | (1)线性回归、softmax与分类、多层感知机
- 动手学深度学习PyTorch版---Task01:线性回归;Softmax与分类模型、多层感知机
- 《Gluon 动手学深度学习 四》线性回归
- 《动手学深度学习》用PyCharm实现 学习笔记(2)3.2线性回归的从零开始实现
- LLIS寒假学习(5):动手学深度学习(pytorch版):softmax回归从零开始实现逐步解读
- 动手学深度学习PyTorch版-GoogLeNet代码(PyTorch实现)
- 4.2 模型之母:简单线性回归的代码实现学习笔记
- ElitesAI·动手学深度学习PyTorch版学习笔记-机器翻译及相关技术;注意力机制与Seq2seq模型;Transformer
- ElitesAI·动手学深度学习PyTorch版学习笔记-卷积神经网络基础;leNet;卷积神经网络进阶
- 【深度学习】tensorflow实现简单线性回归
- 动手深度学习之从线性回归到循环神经网络
- 动手学深度学习:1.深度学习基础--线性回归
- 机器学习实战笔记(Python实现)-08-线性回归
- MXNet动手学深度学习笔记:VGG神经网络实现
- MXNet动手学深度学习笔记:Gluon实现正则化
- MXNet动手学深度学习笔记:循环神经网络RNN实现
- ElitesAI·动手学深度学习PyTorch版学习笔记-文本分类;数据增强;模型微调