3.3 线性回归的简洁实现

3.3 线性回归的简洁实现
import torch
from torch import nn
import numpy as np
torch.manual_seed(1)

print(torch.__version__)
torch.set_default_tensor_type('torch.FloatTensor')

# 1 生成数据集
num_inputs = 2         # 输入个数（特征数）
num_examples = 1000    # 训练数据集样本数
true_w = [2, -3.4]     # 真实权重
true_b = 4.2           # 偏差

# features：训练数据特征；labels：标签
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            # y = Xw + b + e
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float)

# Passage 2 读取数据
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)

# 把dataset放入DataLoader，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,               # 要不要打乱数据 (打乱比较好)
    # num_workers=Passage 2,              # 多线程来读数据
)

# 读取并打印第一个小批量数据样本
for X, y in data_iter:
    print(X, '\n', y)
    break

# Passage 3 定义模型
# 导入torch.nn模块（neural networks，神经网络）
# nn的核心数据结构为Module，抽象概念，既可以表示神经网络中的某个层，也可以表示一个包含很多层的神经网络
# 常见做法：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向前传播方法
class LinearNet(nn.Module):
    def __init__(self, n_feature):
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(n_feature, 1)
    # forward 定义向前传播
    def forward(self, x):
        y = self.linear(x)
        return y

net = LinearNet(num_inputs)
print(net)     # 打印出网络的结构

# nn.Sequential
# Sequential是一个有序的容器，网络层将按照传入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])

# 通过net.parameters()来查看模型所有的可学习参数，将返回一个生成器
for param in net.parameters():
    print(param)

# 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，例如线性回归中的权重和偏差
# 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，标注差为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=0.0)
# 可以直接修改bias的data: net[0].bias.data.fill_(0)

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

# 5 定义损失函数
# 损失函数可看作是一种特殊的层
loss = nn.MSELoss()   # 使用均方误差

# 6 定义优化算法
# torch.optim模块提供了很多常用的优化算法，例如：SGD，Adam和RMSProp等
# 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)

# 还可以为不同子网络设置不同的学习率，在finetune时经常用到
# 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=0.01
#     {'params': net.subnet2.parameters(), 'lr': 0.01}
# ], lr=0.03)

# 调整学习率
# 法一：修改optimizer.param.groups中对应的学习率
# 法二（推荐）：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），会丢失动等状态信息，可能会造成损失函数的收敛出现震荡等情况
# 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
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()))

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