pytorch(3) 单层线性回归 训练和预测代码

 

 

import torch
import matplotlib.pyplot as plt
torch.manual_seed(10)

lr = 0.05  # 学习率

# 创建训练数据
x = torch.rand(20, 1) * 10  # x data (tensor), shape=(20, 1)
# torch.randn(20, 1) 用于添加噪声
y = 2*x + (5 + torch.randn(20, 1))  # y data (tensor), shape=(20, 1)

# 构建线性回归参数
w = torch.randn((1), requires_grad=True) # 设置梯度求解为 true
b = torch.zeros((1), requires_grad=True) # 设置requires_grad梯度求解为 true
#此Tensor的梯度将累积到.grad属性中。

# 迭代训练 1000 次
for iteration in range(1000):

    # 前向传播，计算预测值
    wx = torch.mul(w, x)
    y_pred = torch.add(wx, b)

    # 计算 MSE loss
    loss = (0.5 * (y - y_pred) ** 2).mean()

    # 反向传播
    loss.backward()

    # 更新参数
    #b.data.sub_(lr * b.grad)
    b -= lr * b.grad
    #w.data.sub_(lr * w.grad)
    w -= lr * w.grad

    # 每次更新参数之后，都要清零张量的梯度
    w.grad.zero_() #此Tensor的梯度将累积到.grad属性中。
    b.grad.zero_()

    # 绘图，每隔 20 次重新绘制直线
    if iteration % 20 == 0:

        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), y_pred.data.numpy(), 'r-', lw=5)
        plt.text(2, 20, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})
        plt.xlim(1.5, 10)
        plt.ylim(8, 28)
        plt.title("Iteration: {}\nw: {} b: {}".format(iteration, w.data.numpy(), b.data.numpy()))
        plt.pause(0.5)

        # 如果 MSE 小于 1，则停止训练
        if loss.data.numpy() < 1:
            break

 

#%matplotlib inline
import random
import torch
from d2l import torch as d2l
import matplotlib.pyplot as plt

#1 构造样本数据
def synthetic_data(w, b, num_examples):  #@save
    #num_examples  数据样本数目
    """生成y=Xw+b+噪声"""
    '''
    torch.normal()

    Mean ( float ) – 所有分布的平均值

    std ( float ) – 所有分布的标准差

    size ( int ... ) – 定义输出张量形状的整数序列。
    '''
    X = torch.normal(0, 1, (num_examples, len(w)))# 生成x数值  w (w1,w2) 和 x（x1,x2）保持一致
    y = torch.matmul(X, w) + b #y真值
    y += torch.normal(0, 0.01, y.shape) #y添加噪声
    return X, y.reshape((-1, 1))

#true_w = torch.tensor([2, -3.4])  #真值
true_w = torch.tensor([2.0,2.0 ])  #真值
true_b = 1.0 # 真值
x_features, y_labels = synthetic_data(true_w, true_b, 100)


#print('features[0]:', x_features[0],'\nlabel:', y_labels[0])

# 2 可视化样本数据
ax = plt.figure().add_subplot(projection='3d')
x1=x_features.data.numpy()[:,0]
x2=x_features.data.numpy()[:,1]
y=y_labels.data.numpy()[:,0]
print("x1\n",x1,"\nx2\n",x2,"\ny\n",y)
ax.plot(x1, x2, y, label='x1 x2 -- y')
ax.legend()

plt.show()
plt.pause(3)



# 3  加载数据 打乱集中数据的样本并以小批量的方式获取数据
#训练模型的时候要对数据集进行遍历，每次抽取一个批量样本，并用它们来更新我们的模型。

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))#  0-len(x_features)
    # 这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices)
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])
        yield features[batch_indices], labels[batch_indices]


batch_size = 10  #接收批量大小

for X, y in data_iter(batch_size, x_features, y_labels):
    print("随机每次抽取batch_size组数据 样本  x y",X, '\n', y)
    break




#定义模型
def linreg(X, w, b):  #@save
    """线性回归模型"""
    return torch.matmul(X, w) + b


#定义损失函数
def squared_loss(y_hat, y):  #@save
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

#定义优化算法
def sgd(params, lr, batch_size):  #@save
    """小批量随机梯度下降"""
    with torch.no_grad():
        for param in params:
            param -= lr / batch_size * param.grad   #朝着减少损失的方向更新我们的参数
            param.grad.zero_()## 每次更新参数之后，都要清零张量的梯度  #此Tensor的梯度将累积到.grad属性中。

        # 更新参数
        #b.data.sub_(lr * b.grad)
        #w.data.sub_(lr * w.grad)


#训练
#相同的训练过程几乎一遍又一遍地出现。
#迭代中，我们读取一个批量训练样本，并通过我们的模型来获得一组预测。
# 计算完成损失后，我们开始反向传播，每个存储参数的增量。
# 最后，我们调用优化算法来更新sgd模型参数。


# 4 初始化模型参数
#我们通过从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重，支付重置为0。
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)

lr = 0.03  #
num_epochs = 3 #迭代周期（epoch）  batch_size  10 ci
net = linreg
loss = squared_loss

for epoch in range(num_epochs):
    for X_i, y_i in data_iter(batch_size, x_features, y_labels):

        y_predict=net(X_i, w, b)
        l = loss(y_predict, y_i)  # X和y的小批量损失
        # 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
        # 并以此计算关于[w,b]的梯度
        l=l.sum()
        l.backward()
        sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数

    with torch.no_grad():
        train_l = loss(net(x_features, w, b), y_labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')


       



print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')

 

 

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)

#读取数据集
def load_array(data_arrays, batch_size, is_train=True):  #@save
    """构造一个PyTorch数据迭代器"""
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

batch_size = 10
data_iter = load_array((features, labels), batch_size)



#定义模型


# nn是神经网络的缩写
from torch import nn

#第一个指定输入特征形状，即2，第二个指定输出特征形状，特征输出形状为单个标量，故为1。
net = nn.Sequential(nn.Linear(2, 1))


#初始化模型参数
#权重参数应该从均值0、标准差为0.01的正态分配中随机采样，偏置参数将初始化为均匀。
net[0].weight.data.normal_(0, 0.01) #w
net[0].bias.data.fill_(0) #b


#定义损失函数 2 范数
loss = nn.MSELoss()


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

#训练
'''
在每个迭代周期里，我们将完整遍历一次数据集（train_data），不停地获取一个小批量的输入和相应的标签
'''
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X) ,y)   #通过调用net(X)生成预测并计算损失l（前向传播）。
        trainer.zero_grad()   #clear
        l.backward()          #通过进行逆向传播来计算最小值。
        trainer.step()        #通过调用优化器来更新模型参数。

    l = loss(net(features), labels)

    #为了更好的快速训练效果，我们计算每个迭代周期后的损失，并将其打印出来监控训练过程。
    print(f'epoch {epoch + 1}, loss {l:f}')


#比较获得的模型参数
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)